WO2014006967A1 - 物体検知装置、物体検知方法及び記憶媒体 - Google Patents

物体検知装置、物体検知方法及び記憶媒体 Download PDF

Info

Publication number
WO2014006967A1
WO2014006967A1 PCT/JP2013/062611 JP2013062611W WO2014006967A1 WO 2014006967 A1 WO2014006967 A1 WO 2014006967A1 JP 2013062611 W JP2013062611 W JP 2013062611W WO 2014006967 A1 WO2014006967 A1 WO 2014006967A1
Authority
WO
WIPO (PCT)
Prior art keywords
statistical model
model
signal
doppler signal
object detection
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.)
Ceased
Application number
PCT/JP2013/062611
Other languages
English (en)
French (fr)
Inventor
理敏 関根
前野　蔵人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Oki Electric Industry Co Ltd
Original Assignee
Oki Electric Industry Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Oki Electric Industry Co Ltd filed Critical Oki Electric Industry Co Ltd
Publication of WO2014006967A1 publication Critical patent/WO2014006967A1/ja
Priority to US14/582,136 priority Critical patent/US20150186569A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G06F1/3231—Monitoring the presence, absence or movement of users
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
    • G01S13/56—Discriminating between fixed and moving objects or between objects moving at different speeds for presence detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Definitions

  • the present invention relates to an object detection device, an object detection method, and a storage medium.
  • detection devices that use a sensor to determine the presence or absence of a non-periodic motion object, which is a non-periodic motion object that does not perform periodic motion, such as humans, animals, and the like existing in a detection area, have appeared.
  • a detection device can be applied to various devices whose operation is switched depending on the presence or absence of an aperiodic moving object.
  • human detection devices that determine the presence or absence of a person are variously applied to lighting that automatically turns on when a person is detected, equipment that detects the presence or absence of a person in a building, and the like.
  • a human detection device using a Doppler sensor has an advantage of being more resistant to heat and capable of detecting more delicate movements than a human detection device using an infrared sensor.
  • the human detection device using the Doppler sensor has an advantage that privacy can be easily maintained compared to the human detection device using the image sensor, and sensing can be performed through an opaque wall.
  • a human detection device is described.
  • a power spectrum is obtained by performing a short-time Fourier transform on a signal obtained from a Doppler sensor, and the presence or absence of a person is determined by threshold determination from a peak value in a low frequency region. That is, this human detection apparatus determines the presence or absence of a person based on the simple amplitude of the frequency component.
  • the signal obtained from the Doppler sensor can also contain frequency components generated by periodic moving objects that reflect radio waves, so that some frequency components are generated by non-periodic moving objects or generated by other periodic moving objects. It is not possible to determine whether it was done. Therefore, in such a method, there is a possibility that the presence / absence of an aperiodic moving object may be erroneously determined due to a disturbance caused by a periodic moving object that reflects radio waves. For example, in such a method, human activities such as walking and arm swinging, and activities such as breathing and unconscious body shaking, as well as disturbances by machines, instruments, and other objects operating at similar speeds There was a possibility that the presence or absence was misjudged.
  • the present invention has been made in view of the above, and is new and improved that can determine the presence or absence of an aperiodic moving object even when there is a disturbance in the Doppler signal detection area.
  • An object detection device, an object detection method, and a storage medium are provided.
  • An object detection device is provided that includes a determination unit that determines whether or not.
  • the statistical model estimation unit may estimate the statistical model according to the periodic motion on the assumption that the motion of the reflecting object is a periodic motion.
  • the determination unit may determine that the non-periodic moving object is present in the reflective object when the degree of incompatibility of the statistical model estimated by the statistical model estimation unit exceeds a predetermined threshold.
  • the statistical model estimation unit may estimate the statistical model and update the statistical model when the degree of incompatibility of the statistical model exceeds a predetermined threshold.
  • the case where the nonconformity of the statistical model exceeds a predetermined threshold may be a case where the nonconformity of the statistical model exceeds the threshold for a predetermined period or more.
  • the case where the degree of nonconformity of the statistical model exceeds a predetermined threshold may be a case where the degree of nonconformity of the statistical model exceeds the threshold by a predetermined ratio or more in a predetermined period.
  • the statistical model estimation unit may estimate the statistical model at a predetermined interval and update the statistical model.
  • the statistical model estimation unit may estimate a coefficient included in the statistical model.
  • the degree of incompatibility of the statistical model may be a numerical value calculated from either the AIC (Akaike Information Criterion) of the statistical model or the difference between the predicted value and the actual measurement value of the statistical model.
  • AIC Alkaike Information Criterion
  • the degree of nonconformity of the statistical model may be a statistic calculated from the numerical value in a predetermined period.
  • the statistical model includes an AR model (autoregressive model), an ARMA model (autoregressive moving average model), an ARIMA model (autoregressive integrated moving average model), an ARMAX model (exogenous variable autoregressive integrated moving average model), Or VAR model (multivariate autoregressive model), VARMA model (multivariate autoregressive moving average model), VARIMA model (multivariate autoregressive integrated moving average model) VARIMAX (exogenous variable type) Multivariate autoregressive integrated moving average model).
  • the data obtained by performing predetermined data conversion on the Doppler signal may be any of an instantaneous amplitude, an instantaneous frequency, and an area velocity calculated from the Doppler signal.
  • the non-periodic moving object may be a person.
  • the Doppler signal or time-series change of the data according to data obtained by performing predetermined data conversion on the Doppler signal or the Doppler signal for a predetermined period for an arbitrary reflecting object And a step of determining whether or not a non-periodic moving object exists in the reflecting object according to a degree of incompatibility between the statistical model and the time series change of the Doppler signal or the data.
  • An object detection method is provided.
  • a computer-readable storage medium storing a program for causing a computer to execute an object detection process, wherein the object detection process is a Doppler signal for a predetermined period or an arbitrary reflection object Estimating a Doppler signal or a statistical model representing a time-series change of the data based on data obtained by performing predetermined data conversion on the Doppler signal; and a time-series change of the statistical model and the Doppler signal or the data And determining whether or not a non-periodic moving object is present in the reflecting object according to the degree of non-conformity with the storage medium.
  • the object detection process is a Doppler signal for a predetermined period or an arbitrary reflection object Estimating a Doppler signal or a statistical model representing a time-series change of the data based on data obtained by performing predetermined data conversion on the Doppler signal; and a time-series change of the statistical model and the Doppler signal or the data
  • the present invention it is possible to determine the presence or absence of an aperiodic moving object even when there is a disturbance in the Doppler signal detection area.
  • the object detection device (human detection device 20) according to the embodiment is A.
  • FIG. 1 is an explanatory diagram showing a configuration of a human detection device 20 according to an exemplary embodiment. As shown in FIG. 1, the person detection device 20 detects the presence or absence of the person 10.
  • the person 10 is a reflecting object that reflects radio waves or ultrasonic waves emitted from the Doppler sensor.
  • the target of the human detection device 20 for determining the presence / absence is not limited to the person 10 and can be an animal or other non-periodic moving object.
  • the human detection device 20 uses a Doppler signal, which is a signal having a frequency difference between the radio wave emitted by the Doppler sensor and the radio wave reflected by the reflective object existing in the detection area, to detect a person 10, an animal or other non-periodic motion as a reflective object. Whether or not an object exists, that is, the presence or absence of an aperiodic moving object is detected.
  • the present embodiment relates to the human detection device 20, and particularly relates to a determination process for determining the presence or absence of the person 10. Therefore, in the following, after determining the presence / absence of the person 10 in the object detection apparatus according to the comparative example, the present embodiment will be described in detail.
  • Object detection device The human detection device according to the comparative example first obtains a power spectrum by performing a short-time Fourier transform on the Doppler signal. Next, the human detection device according to the comparative example determines that the person 10 exists when the peak value in the predetermined frequency region of the obtained power spectrum is higher than the threshold value.
  • the human detection device obtains a power spectrum from the Doppler signal, and determines the presence or absence of the person 10 by determining a threshold value of a peak value in a predetermined frequency region.
  • the movement and speed of a person such as walking or swinging an arm, such as the swinging of a fan or heater, the turntable of a microwave oven, and the operation of a washing machine, as well as activities such as breathing and unconscious body shaking are similar in speed.
  • a power spectrum obtained by such an operation similar to the person 10 occurs in a frequency region similar to the power spectrum obtained by the person 10.
  • the human detection device according to the comparative example distinguishes between the person 10 and the periodic moving object only by the value of the power spectrum in the frequency domain, and determines the presence or absence of the person 10. It is difficult to do.
  • Other methods for distinguishing between the person 10 and the periodic moving object include a method for determining the periodicity of the Doppler signal by applying an autocorrelation function to the time series change of the Doppler signal.
  • the method for determining the periodicity of a Doppler signal using an autocorrelation function is based on the amplitude of both, such as when it is difficult to detect an aperiodic signal when a nonperiodic signal with a small amplitude is superimposed on a periodic signal with a large amplitude. The result depends.
  • when there is an object that performs an action similar in speed to the action and activity of the person 10 described above how to distinguish the person 10 from such an object is not recognized as an issue. It has not been solved.
  • FIG. 2 is a schematic diagram of an internal configuration of the human detection device 20 according to an exemplary embodiment.
  • the human detection device 20 includes a Doppler sensor 104, an amplifier 108, an analog filter 112, an A / D converter 116, a human detection signal processing unit 120, and a determination result display unit 132. ,including.
  • FIG. 3 is a functional block diagram of the human detection signal processing unit 120. As shown in FIG. 3, the human detection signal processing unit 120 includes a statistical model estimation unit 124 and a determination unit 128.
  • the Doppler sensor 104 transmits / receives radio waves or ultrasonic waves to / from an arbitrary reflecting object such as an aperiodic moving object and a periodic moving object, and a signal having a difference frequency between the transmitted radio waves or ultrasonic waves and the received radio waves or ultrasonic waves. Output a Doppler signal.
  • the amplifier 108 amplifies the Doppler signal output from the Doppler sensor 104.
  • the analog filter 112 improves the signal quality by cutting noise such as power supply noise and preventing aliasing with respect to the Doppler signal output from the amplifier 108, and acquires and outputs a required frequency component.
  • the A / D converter 116 converts the Doppler signal output from the analog filter 112 from an analog signal to a digital signal and outputs the converted signal.
  • the human detection signal processing unit 120 processes the digitized Doppler signal output from the A / D converter 116 and determines the presence or absence of the person 10. More specifically, the statistical model estimation unit 124 estimates a Doppler signal or a time series change of data based on data obtained by performing predetermined data conversion on the Doppler signal or Doppler signal for a predetermined period. Further, the determination unit 128 determines whether or not the person 10 is present on the reflecting object, that is, the presence or absence of the person 10 based on the statistical model estimated by the statistical model estimation unit.
  • the human detection signal processing unit 120 processes the Doppler signal for a predetermined period, it may have a function of accumulating the Doppler signal.
  • a logger or a computer that is an instrument for storing various data may store the Doppler signal.
  • the human detection signal processing unit 120 may have a function as a digital filter that cuts noise of the digital signal.
  • the determination result display unit 132 is a display unit that displays the determination result by the human detection signal processing unit 120.
  • the Doppler sensor 104, the amplifier 108, the analog filter 112, the A / D converter 116, the human detection signal processing unit 120, and the determination result display unit 132 are combined in the human detection device 20.
  • the present embodiment is not limited to such an example.
  • Each component may be a separate device.
  • the amplifier 108, the analog filter 112, the A / D converter 116, and the human detection signal processing unit 120 are included in the computer, and the determination result
  • the display unit 132 may be a display.
  • the configuration of the human detection device 20 has been described above.
  • the present embodiment relates to the human detection device 20 described above, and particularly relates to detection processing by the human detection signal processing unit 120. Therefore, hereinafter, the operation of the human detection signal processing unit 120 will be described in detail with reference to FIGS.
  • FIG. 4 is a flowchart of the determination process of the human detection device 20 according to an exemplary embodiment.
  • the Doppler sensor 104 performs sensing by irradiating radio waves or ultrasonic waves and receiving radio waves or ultrasonic waves reflected from a reflecting object.
  • the Doppler sensor 104 outputs a Doppler signal that is a frequency signal based on a difference between the transmitted radio wave or ultrasonic wave and the radio wave or ultrasonic wave reflected and received from the reflecting object.
  • step S204 the amplifier 108 amplifies the Doppler signal output from the Doppler sensor 104, and then the analog filter 112 cuts noise components.
  • the process in step S204 will be described in detail.
  • the amplifier 108 amplifies the analog signal in order to improve the signal-to-noise ratio (Signal-Noise Ratio).
  • the Doppler signal obtained when the reflecting object is the person 10 includes various frequency components from a low frequency to a high frequency.
  • the Doppler signal includes many low-frequency components including breathing and heartbeats, unconscious body shakes, and the like when walking or standing still.
  • components generated by, for example, the rotation of the fan in the Doppler signal have a constant frequency or are distributed in a certain limited frequency band.
  • the frequency of the Doppler signal observed by the operation of such a device is less affected by the overlap with the frequency of the Doppler signal observed by the operation of the person 10, it can be separated as noise by a band pass filter or the like. For example, such noise is cut by the analog filter 112 by the analog filter 112 and the digital signal converted by the A / D converter 116 by the digital filter in the human detection signal processing unit 120.
  • step S208 the statistical model estimation unit 124 performs predetermined data conversion on the Doppler signal output from the A / D converter 116.
  • the processing in step S208 will be described in detail.
  • the Doppler sensor 104 outputs, as a Doppler signal, IQ signals whose phases differ by ⁇ 90 degrees depending on the approaching / separating operation of the reflecting object with respect to the Doppler sensor 104.
  • the IQ signal is a complex signal composed of two-channel signals of an I signal indicating an in-phase signal and a Q signal indicating a quadrature signal.
  • the statistical model estimation unit 124 can obtain not only the waveform of the envelope of the amplitude of the two-channel signal but also the data of the moving direction as well as the velocity of the reflecting object by data conversion of the IQ signal.
  • the determination part 128 can determine the presence or absence of the person 10 using these converted data.
  • the determination unit 128 can determine the presence or absence of the person 10 using the IQ signal without performing data conversion.
  • the statistical model estimation unit 124 converts the IQ signal into instantaneous amplitude, instantaneous frequency, and area velocity.
  • the instantaneous frequency is proportional to the speed of the reflecting object.
  • the sampling interval ⁇ t becomes 1 / f s.
  • ⁇ n is an instantaneous phase
  • the statistical model estimation unit 124 estimates a statistical model corresponding to the periodic motion, assuming that the motion of the reflecting object is a periodic motion. Specifically, in step S212, the statistical model estimation unit 124 assumes that the time series change of the acquired Doppler signal or data obtained by performing data conversion changes periodically, and the time series data of a certain observation period T. To estimate the statistical model coefficient of order M.
  • the processing in step S212 will be described in detail.
  • Statistical models that can be used in the present embodiment and that perform linear prediction on time-series data include, for example, an AR model (autoregressive model), an ARMA model (autoregressive moving average model: AutoRegressive Moving Average Model). ), ARIMA model (autoregressive integrated moving average model: AutoRegressive Integrated Moving Average model), ARIMAX model (exogenous variable type autoregressive integrated moving average model: AutoRegressive and Moving AverageResistenceMoistureX).
  • a VAR model multivariate autoregressive model
  • a VARMA model multivariate autoregressive moving average model
  • VARIMA self model multivariate autovariable model
  • the statistical model estimation unit 124 when a univariate model such as an AR model or an ARMA model is used as the statistical model, is one time series of the I signal, the Q signal, or the data obtained by the data conversion described above. Estimate a statistical model for the data.
  • the statistical model estimation unit 124 uses a plurality of I signals, Q signals, or data obtained by the above-described data conversion. A statistical model is estimated for the time series data.
  • a determination process using an ARMA model autoregressive moving average model
  • the ARMA model consists of an autoregressive (AR) part and a moving average (MA) part.
  • AR autoregressive
  • MA moving average
  • the prediction error represents the difference between the predicted value predicted by the ARMA model and the actually measured value.
  • the time series data x n the instantaneous amplitude A n , the instantaneous frequency F n , the area speed S n , or other time series data converted from the IQ signal shown in the above formulas 1 to 3, or the I signal
  • a Q signal can be used.
  • the prediction error is the difference between the instantaneous amplitude predicted by the ARMA model and the actually measured instantaneous amplitude.
  • the statistical model estimation unit 124 obtains the autoregressive coefficient a and the moving average coefficient b using the Prony method (Prony method).
  • Prony method the statistical model estimation unit 124 models the time series data xn as an AR process as follows.
  • the statistical model estimation unit 124 obtains the impulse response xn as follows.
  • the impulse response in the AR process corresponds to an ARMA model of order (p, q)
  • the ARMA model is expressed as follows.
  • the ARMA model is approximately given as follows.
  • the statistical model estimation unit 124 can obtain the ARMA coefficient by solving the following equation.
  • the statistical model estimation unit 124 obtains the autoregressive coefficient a i by solving from the q + 1th line to the Mth line, which is an expression irrelevant to the moving average coefficient b j in Expression 9. Then, the statistical model estimation unit 124 substitutes the autoregressive coefficient a i from the first line to the q line in Equation 9, A moving average coefficient b j is obtained.
  • the degree of unfitness of the statistical model estimated in this way to the time series change of data is defined as the degree of incompatibility of the statistical model.
  • a prediction error that is a difference between such an estimated value and an actually measured value can be used as the degree of incompatibility of the statistical model.
  • AIC Alkaike's Information Criterion
  • Equation 12 AIC is an evaluation scale indicating the goodness of fit of the statistical model.
  • FPE Federal Prediction Error
  • the Doppler sensor 104 When the Doppler sensor 104 observes the movement of a periodically moving object such as a machine, the AR coefficient value of the time-series data xn does not change with time or changes in a constant cycle. As a result, a model composed of AR coefficients obtained from a certain time zone is better fitted to time series data in another time zone composed of the same AR coefficient value, and the prediction error is reduced. On the other hand, when the Doppler sensor 104 observes a non-periodic motion such as the movement of the person 10, the value of the AR coefficient of the time series data xn becomes a value that fluctuates aperiodically.
  • a model composed of AR coefficients obtained in a certain time zone becomes a model unique to that time zone, and the fitting to time-series data at another time becomes worse, resulting in a large prediction error. That is, the magnitude of the prediction error depends on the magnitude of the specific periodicity of the time series signal.
  • FIG. 5 is a graph showing an example of a prediction error by a statistical model estimated for a periodic signal.
  • the statistical model estimation unit 124 estimates a coefficient of a statistical model that represents a period change, assuming that the signal is a periodic signal in the statistical model coefficient estimation period. Then, the statistical model estimation unit 124 estimates the signal value at the next time from the past signal value using the coefficient of the estimated statistical model.
  • the past signal value and the signal value to be measured next have a relationship that is almost uniquely determined.
  • d 4 is observed next to the signal values d 1 , d 2 , and d 3
  • d 8 is observed next to the signal values d 5 , d 6 , and d 7 .
  • the signals following the similar time series signals have similar values. Therefore, when the statistical model estimation unit 124 uses the coefficient of the statistical model estimated according to the periodicity of the periodic signal, the prediction error in the prediction error calculation period is reduced.
  • the predicted value D 12 predicted by the statistical model estimation unit 124 based on the signal values d 9 , d 10 , d 11 similar to the signal values d 5 , d 6 , d 7 observed in the statistical model estimation period is: the actual observed value close to the signal value d 12.
  • the reflecting object includes the person 10 that is an aperiodic moving object, that is, when the Doppler signal is an aperiodic signal that changes aperiodically, the prediction error compared to the case of the periodic signal Becomes larger. Therefore, prediction errors when the Doppler signal is an aperiodic signal that changes aperiodically will be described with reference to FIG.
  • FIG. 6 is a graph showing an example of a prediction error by a statistical model estimated for an aperiodic signal.
  • the statistical model estimation unit 124 estimates the coefficient of the statistical model on the assumption that the Doppler signal is a periodic signal, and the past signal The next signal value is estimated from the value.
  • the past signal value and the signal value to be measured next are not in a relationship that is almost uniquely determined.
  • a series of signal values similar to the signal values e 1 , e 2 , e 3 , e 4 observed in the statistical model coefficient estimation period does not appear elsewhere.
  • the signal values e 5 , e 6 , e 7 are different from the signal values e 1 , e 2 , e 3, and e 8 observed next to the signal values e 5 , e 6 , e 7 is also the signal value e. It is different from e 4 observed next to 1 , e 2 , and e 3 . Therefore, the prediction error between the predicted value E 8 based on the statistical model estimated on the assumption of the periodic signal and the actual signal value e 8 is large.
  • the magnitude of the prediction error depends on whether or not the Doppler signal is an aperiodic signal, that is, whether or not the reflecting object includes the person 10 that is an aperiodic moving object.
  • a Doppler signal in the case where the reflecting object is a fan that performs a swing motion will be described with reference to FIG.
  • the Doppler signal when the reflecting object is the person 10 will be described with reference to FIG.
  • FIG. 7 is a waveform diagram of the low-frequency component of the Doppler signal in the case where the reflecting object is a fan that repeatedly swings in a cycle of about 15 seconds.
  • the Doppler signal shown in FIG. 7 is a signal in which a frequency region of 5 Hz or higher is cut by the analog filter 112 or the digital filter in the statistical model estimation unit 124, and thus the influence of the rotation operation by the fan of the fan is excluded. ing.
  • the Doppler signal is a periodic signal corresponding to the swing motion. Since the swinging motion repeats the same motion at a cycle of about 15 seconds, the observed waveform is a periodic signal that repeats the same waveform at a cycle of about 15 seconds.
  • FIG. 8 is a waveform diagram of the low-frequency component of the Doppler signal when the reflecting object is the person 10.
  • the signal is a signal in which a frequency region of 5 Hz or more is cut by the digital filter in the analog filter 112 or the statistical model estimation unit 124.
  • the movement of the person 10 changes non-periodically, so the waveform of the Doppler signal is not constant or has no period. Therefore, even if the statistical model estimation unit 124 estimates a statistical model that represents a periodic change on the assumption that the Doppler signal is a periodic signal, the prediction error increases because the signal is not a periodic signal.
  • the magnitude of the nonconformity of the statistical model depends on whether the Doppler signal is a periodic signal or an aperiodic signal. That is, if the reflective object is a periodic motion object, the statistical model has a low degree of incompatibility. If the reflective object is a person 10, the statistical model has a high degree of incompatibility.
  • the statistical model estimation unit 124 estimates the statistical model coefficient of the order M from the time series change of the Doppler signal acquired in the observation period T or the data obtained by the data conversion.
  • the order M of the statistical model may be a unique value. In general, if the order M of the statistical model is too small, the model becomes too simple, resulting in increased prediction errors. On the other hand, if the order M of the statistical model is excessively large, the model becomes excessively complex, and as a result, the degree of incompatibility with unknown samples increases. Therefore, the order M may be set to a value that minimizes the AIC represented by Equation 12 described later. Further, the statistical model estimation unit 124 may not estimate the order M as a unique value in step S212, but may estimate the order M that minimizes the AIC and estimate the statistical model coefficient of the estimated order M.
  • the determination unit 128 may erroneously determine that the person 10 exists even if the person 10 is not included in the reflective object. For example, even if the operation pattern or the operation cycle of the device included in the reflective object changes, if the statistical model coefficient estimation period is not provided after the change, the prediction error increases, and the determination unit 128 includes the person 10 Then, there is a possibility of erroneous determination.
  • FIG. 9 is a graph showing a change in prediction error accompanying a change in the motion pattern of the periodic moving object.
  • the statistical model estimation unit 124 estimates the statistical model coefficient when the periodic moving object is operating in a certain motion pattern 1. Then, when operating in the operation pattern 2 there is a device from time t 1, the Doppler signal obtained by the Doppler sensor 104 is a pattern of a waveform be a periodic signal varies with the change of operation patterns.
  • the determination unit 128 may erroneously determine that the person 10 exists even though the person 10 does not actually exist.
  • the statistical model estimation unit 124 may update the statistical model by estimating the statistical model again when the degree of nonconformity of the statistical model exceeds a predetermined threshold.
  • the threshold value Th e may be exceeded when the statistical model incompatibility exceeds the threshold value Th e even for a moment.
  • the threshold value Th e may be exceeded when the statistical model incompatibility exceeds the threshold value Th e even for a moment.
  • from the time of updating the statistical model coefficients in the previous may if incompatibility statistical model exceeds the threshold value Th e more than a predetermined period of time.
  • a predetermined time period from the time of updating the statistical model coefficients in the previous may if incompatibility statistical model exceeds the threshold Th e predetermined ratio or more.
  • FIG. 10 is a graph showing a change in prediction error when a statistical model coefficient estimation period is provided along with a change in the motion pattern of a periodic moving object.
  • the statistical model estimation unit 124 sets the threshold value Th e as the value of the variance of the prediction error and sets the statistical model coefficient estimation period from time t 1 to time t 1 when the threshold value Th e is exceeded due to the prediction error. 2 is provided.
  • the threshold value Th e exceeding the prediction error occurs with a change from the motion pattern 1 to the motion pattern 2 of the motion of the periodic moving object.
  • the statistical model estimation unit 124 estimates the statistical model coefficient corresponding to the changed operation pattern 2, the prediction error becomes lower than the threshold value Th e after the statistical model estimation period. .
  • the statistical model estimation unit 124 is triggered by the excess of the threshold. It can be updated to a statistical model according to the operation pattern. Therefore, the determination unit 128 does not erroneously determine that the person 10 exists due to a change in the motion pattern of the periodic moving object.
  • FIG. 11 is a graph showing a change in prediction error when a statistical model coefficient estimation period is provided with the appearance of the person 10.
  • the threshold value Th e the value of the variance of the prediction error
  • the Doppler signal becomes an aperiodic signal. Therefore, statistical model estimating section 124 even after estimating the statistical model in a statistical model estimation period, the prediction error exceeds the threshold Th e.
  • the statistical model coefficient estimation period using the threshold, even if the motion cycle or motion pattern of the periodic motion object changes, it is not erroneously determined that the person 10 exists.
  • the prediction error exceeds the threshold even after the statistical model coefficient estimation period has elapsed, so that it can be determined that the person 10 exists.
  • this embodiment is not limited to the embodiment.
  • a statistical model coefficient estimation period such as an average or standard deviation over a period of time
  • in response to exceeding of the threshold Th e by statistics calculated from the prediction error may be provided a statistical model coefficient estimation period.
  • the statistical model estimation unit 124 may update the statistical model by estimating the statistical model again at a predetermined interval.
  • the determination unit 128 reflects the non-conformity between the statistical model estimated by the statistical model estimation unit 124 and the Doppler signal or the time series change of data obtained by performing predetermined data conversion on the Doppler signal. It is determined whether or not the person 10 exists on the object.
  • a process for determining whether or not the person 10 exists in the reflecting object based on the prediction based on the statistical model estimated by the statistical model estimation unit 124 and the degree of incompatibility of the statistical model will be described.
  • step S216 the determination unit 128 calculates, based on the estimated statistical model, a prediction error in the observation period T ′ that is the same as the observation period T or different from the observation period T from the samples in the observation period.
  • step S220 the determination unit 128 calculates the AIC value as the statistical model incompatibility from the calculated prediction error.
  • step S224 the determination unit 128 compares the predetermined threshold Th a with the AIC value. If the AIC value exceeds the threshold Th a , the determination unit 128 determines that there is a person 10 in step S228. If the AIC value is equal to or less than the threshold Th a , the person 10 exists in step S232. Judge that not.
  • step S236 the determination result display unit 132 displays the result of step S228 or S232. For example, the determination result display unit 132 performs screen display, ringing notification sound, and the like.
  • the threshold Th a may be exceeded, for example, when the degree of incompatibility of the statistical model exceeds the threshold Th a for a moment.
  • the statistical model nonconformity may exceed the threshold Th a for a predetermined period or more.
  • the statistical model non-conformity may exceed the threshold Th a by a predetermined ratio or more in a predetermined period from the last update of the statistical model coefficient.
  • the presence or absence of the person 10 can be determined even when a disturbance exists in the Doppler signal detection area. More specifically, even when a periodic moving object is present in the detection area, the determination unit 128 can determine the presence or absence of the person 10 without erroneously determining the periodic moving object as the person 10. . In addition, even if the waveform of the Doppler signal changes due to a change in the motion pattern of the periodic moving object existing in the detection area, the determination unit 128 does not erroneously determine the periodic moving object as the person 10, The presence or absence of the person 10 can be determined.
  • the determination unit 128 distinguishes the person 10 from the periodic moving object. Can do.
  • the determination unit 128 can detect the presence or absence of the person 10 even when there is a disturbance due to the movement of a device such as a swing of a fan or a heater, a rotating table of a microwave oven, or a washing machine.
  • the statistical model estimation unit 124 can estimate a statistical model expressing the periodicity of the time series change of the Doppler signal generated by the plurality of periodic moving objects.
  • the determination unit 128 can determine the presence or absence of the person 10 without erroneously determining the periodic moving object as the person 10. Further, even when the number of periodic moving objects in the detection area increases or decreases, the statistical model estimation unit 124 can estimate and update the statistical model again in response to the increase or decrease. Therefore, even in such a case, the determination unit 128 can determine the presence or absence of the person 10 without erroneously determining the periodic moving object as the person 10.
  • the statistical model estimation unit 124 estimates the statistical model at predetermined intervals regardless of the degree of non-conformity of the statistical model, it is possible to prevent a decrease in the reliability of the statistical model over time.
  • the frequency range of components to be extracted is not limited as in Fourier transform, the above-described processing can be applied to unspecified frequency components.
  • the period is determined not only by the change pattern of the speed of the reflecting object but also by the pattern of the approaching / separating operation with respect to the Doppler sensor 104. Sex can be detected. Further, when a multivariate model is used, the presence / absence of the person 10 can be determined based on various data as compared with the comparative example in which the presence / absence of the person 10 is determined based only on the power spectrum.
  • the statistical model estimation unit 124 estimates the statistical model again when the prediction error exceeds the threshold, and the determination unit 128 determines that the person 10 exists when the statistical model AIC exceeds the threshold.
  • the present invention is not limited to such an example.
  • the statistical model estimation unit 124 may estimate the statistical model again when the AIC exceeds the threshold, and the determination unit 128 may determine that the person 10 exists when the statistical model prediction error exceeds the threshold.
  • the statistical model incompatibility may be a value of AIC or prediction error of the statistical model, or may be another evaluation measure.
  • a prediction error, an AIC, and other evaluation scales may be commonly used for the statistical model estimation opportunity and the person 10 presence / absence estimation opportunity.
  • the determination unit 128 detects the presence or absence of the person 10 using the prediction error of the ARMA model, but the embodiment is not limited to this example.
  • the determination unit 128 may detect the presence / absence of the person 10 by using a prediction error of the ARMA model and another person detection method using Fourier transform.
  • the determination unit 128 determines the presence / absence of the person 10 by determining the AIC threshold value in one period, but the embodiment is not limited to this example.
  • the presence or absence of the person 10 may be determined by determining a threshold value of a statistical amount such as an average value or a variance value of a plurality of AICs in a plurality of periods.
  • AIC and AIC statistic values are classified into manned and unmanned states, and the state with the closest Mahalanobis distance from the AIC calculated from the observed Doppler signal is used as the determination result.
  • a machine learning algorithm such as a support vector machine may be applied.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Environmental & Geological Engineering (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

　任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定する統計モデル推定部と、前記統計モデル推定部が推定した前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定する判定部と、を備える物体検知装置を提供する。

Description

物体検知装置、物体検知方法及び記憶媒体
　本願は、２０１２年７月２日出願の日本国出願、特願２０１２－１４８３３３号の優先権を主張すると共に、その全体が参照により本明細書に取り込まれる。
　本発明は、物体検知装置、物体検知方法及び記憶媒体に関する。
　近年、センサを用いて検知エリアに存在する人、動物その他の周期運動を行わず非周期運動を行う物体である、非周期運動物体の有無を判定する検知装置が登場してきている。そのような検知装置は、非周期運動物体の有無によって動作が切り替わるような多様な機器に適用され得る。例えば、人の有無を判定する人検知装置は、人を検知して自動で点灯する照明や、建物内の人の有無を検知する機器などに多様に適用されている。
　このような人検知装置の中でも、様々なセンサを用いた人検知装置と比較して有利な点を有する、ドップラーセンサを用いた人検知装置が注目されている。例えば、ドップラーセンサを用いた人検知装置は、赤外線センサを用いた人検知装置と比較して、熱に強く、より繊細な動きを検出できるという有利な点を有する。また、ドップラーセンサを用いた人検知装置は、画像センサによる人検知装置と比較してプライバシーが保たれやすく、不透明な壁越しにセンシングできるという有利な点を有する。
　例えば、Ａ．Ｖ．　Ａｌｅｊｏｓ，　Ｍ．Ｇ．　Ｓａｎｃｈｅｚ，　Ｄ．Ｒ．　Ｉｇｌｅｓｉａｓ　ａｎｄ　Ｉ．　Ｃｕｉｎａｓ，”Ｒｅａｌ－ｔｉｍｅ　ｍｅｔｈｏｄ　ｆｏｒ　ｈｕｍａｎ　ｐｒｅｓｅｎｃｅ　ｄｅｔｅｃｔｉｏｎ　ｂｙ　ｕｓｉｎｇ　ｍｉｃｒｏ－Ｄｏｐｐｌｅｒ　ｓｉｇｎａｔｕｒｅｓ　ｉｎｆｏｒｍａｔｉｏｎ　ａｔ　２４ＧＨｚ”（ＩＥＥＥ　Ａｎｔｅｎｎａｓ　ａｎｄ　Ｐｒｏｐａｇａｔｉｏｎ　Ｓｏｃｉｅｔｙ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ，　（ＡＰＳＵＲＳＩ　’０９），　Ｊｕｎ　２００９．）は、このようなドップラーセンサを用いた人検知装置を記載している。この人検知装置では、ドップラーセンサから得られる信号を短時間フーリエ変換することでパワースペクトルを求め、低周波領域のピークの値から閾値判定によって人の有無を判定している。即ち、この人検知装置は、周波数成分の単純な振幅の大小により人の有無を判定している。
　しかしながら、ドップラーセンサから得られる信号には、電波を反射する周期運動物体により発生した周波数成分も含まれ得るので、ある周波数成分が、非周期運動物体により発生したのか、その他の周期運動物体により発生したのかは判別できない。従って、このような方法では、電波を反射する周期運動物体による外乱によって、非周期運動物体の有無が誤判定されてしまう可能性がある。例えば、このような方法では、人の歩行や腕振りなどの行動、および呼吸、無意識の体の揺れなどの活動と、類似の速度で動作する機械や器具、その他の物体による外乱によって、人の有無が誤判定されてしまう可能性があった。
　そこで、本発明は、上記に鑑みてなされたものであり、ドップラー信号の検知エリアに外乱が存在する場合であっても非周期運動物体の有無を判定することが可能な、新規かつ改良された物体検知装置、物体検知方法及び記憶媒体を提供する。
　本発明のある観点によれば、任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定する統計モデル推定部と、前記統計モデル推定部が推定した前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定する判定部と、を備える物体検知装置が提供される。
　前記統計モデル推定部は、前記反射物体の運動が周期運動であると仮定して前記周期運動に応じた前記統計モデルを推定してもよい。
　前記判定部は、前記統計モデル推定部により推定された前記統計モデルの不適合度が所定の閾値を超過する場合に、前記反射物体に前記非周期運動物体が存在すると判定してもよい。
　前記統計モデル推定部は、前記統計モデルの不適合度が所定の閾値を超過する場合に前記統計モデルを推定し、前記統計モデルを更新してもよい。
　前記統計モデルの不適合度が所定の閾値を超過する場合とは、前記統計モデルの不適合度が前記閾値を所定の期間以上超過する場合であってもよい。
　前記統計モデルの不適合度が所定の閾値を超過する場合とは、所定の期間において前記統計モデルの不適合度が前記閾値を所定の割合以上超過する場合であってもよい。
　前記統計モデル推定部は、所定間隔で前記統計モデルを推定し、前記統計モデルを更新してもよい。
　前記統計モデル推定部は、前記統計モデルに含まれる係数を推定してもよい。
　前記統計モデルの不適合度は、前記統計モデルのＡＩＣ（赤池情報量基準）または前記統計モデルによる予測値と実測値との差分のいずれかにより算出される数値であってもよい。
　前記統計モデルの不適合度は、所定の期間における前記数値から算出された統計量であってもよい。
　前記統計モデルは、ＡＲモデル（自己回帰モデル）、ＡＲＭＡモデル（自己回帰移動平均モデル）、ＡＲＩＭＡモデル（自己回帰和分移動平均モデル）ＡＲＩＭＡＸモデル（外生変数型自己回帰和分移動平均モデル）、または，それらを多変数に拡張したＶＡＲモデル（多変量自己回帰モデル）、ＶＡＲＭＡモデル（多変量自己回帰移動平均モデル）、ＶＡＲＩＭＡモデル（多変量自己回帰和分移動平均モデル）ＶＡＲＩＭＡＸ（外生変数型多変量自己回帰和分移動平均モデル）のいずれかであってもよい。
　前記ドップラー信号に所定のデータ変換を行うことで得られたデータは、前記ドップラー信号から算出した瞬時振幅、瞬時周波数、面積速度のいずれかであってもよい。
　前記非周期運動物体は人であってもよい。
　また、本発明の別の観点によれば、任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定するステップと、前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定するステップと、を備える物体検知方法が提供される。
　また、本発明の別の観点によれば、コンピュータに物体検知処理を実行させるプログラムを記憶したコンピュータ可読記憶媒体であって、前記物体検知処理が、任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定するステップと、前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定するステップと、を含む、記憶媒体が提供される。
　以上説明したように本発明によれば、ドップラー信号の検知エリアに外乱が存在する場合であっても非周期運動物体の有無を判定することが可能である。
例示的な実施形態による人検知装置の構成を示した説明図である。 例示的な実施形態による人検知装置の内部構成の概略図である。 人検出信号処理部の機能ブロック図である。 例示的な実施形態による人検知装置の判定処理のフローチャートである。 周期信号に対して推定された統計モデルによる予測誤差の例を示したグラフである。 非周期信号に対して推定された統計モデルによる予測誤差の例を示したグラフである。 反射物体が約１５秒周期で首ふり動作を繰り返し行う扇風機である場合のドップラー信号の低周波成分の波形図である。 反射物体が人である場合のドップラー信号の低周波成分の波形図である。 周期運動物体の動作パターンの変化に伴う予測誤差の変化を示したグラフである。 周期運動物体の動作パターンの変化に伴い統計モデル係数推定期間を設けた場合の予測誤差の変化を示したグラフである。 人の登場に伴い統計モデル係数推定期間を設けた場合の予測誤差の変化を示したグラフである。
　以下に添付図面を参照しながら、本発明の例示的な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　＜１．物体検知装置の基本構成＞
　本発明は、一例として＜３．例示的な実施形態＞において詳細に説明するように、多様な形態で実施され得る。また、実施形態による物体検知装置（人検知装置２０）は、
Ａ．任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定する統計モデル推定部と、
Ｂ．前記統計モデル推定部が推定した前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定する判定部と、
を備える。
　以下では、まず、このような人検知装置２０の基本構成について、図１を参照して説明する。
　図１は、例示的な実施形態による人検知装置２０の構成を示した説明図である。図１に示したように、人検知装置２０は、人１０の有無を検知する。
　ここで、人１０は、ドップラーセンサから照射される電波または超音波を反射する反射物体である。人１０は複数存在してもよい。また、人検知装置２０の、有無を判定する対象は人１０に限らず、動物その他の非周期運動物体を対象とすることができる。人検知装置２０は、ドップラーセンサが照射した電波と検知エリアに存在する反射物体により反射された電波との差分の周波数の信号であるドップラー信号により、反射物体に人１０、動物その他の非周期運動物体が存在するか否か、即ち非周期運動物体の有無を検知する。
　本実施形態は、人検知装置２０に関し、特に、人１０の有無を判定する判定処理に関する。そこで、以下では、比較例による物体検知装置における人１０の有無の判定処理を説明した後に、本実施形態について詳細に説明する。
　＜２．比較例による物体検知装置＞
　比較例による人検知装置は、まず、ドップラー信号を短時間フーリエ変換してパワースペクトルを得る。次に、比較例による人検知装置は、得られたパワースペクトルの所定周波数領域におけるピーク値が閾値よりも高い場合に、人１０が存在すると判定する。
　　（課題の整理）
　比較例による人検知装置は、ドップラー信号からパワースペクトルを求め、所定周波数領域のピーク値の閾値判定によって人１０の有無を判定している。しかしながら、このような方法では、ある周波数成分が人１０により発生しているのか、もしくは他の周期運動物体により発生しているのか、が判別できない。
　例えば、扇風機やヒーターの首振り、電子レンジの回転台、洗濯機の動作のように、人１０の歩行や腕振りなどの行動、および呼吸、無意識の体の揺れなどの活動と速度が類似した動作がある。このような人１０と類似した動作によって得られるパワースペクトルが、人１０によって得られるパワースペクトルと類似する周波数領域に発生する可能性がある。このような周期運動物体による外乱が存在する場合には、比較例による人検知装置は、周波数領域のパワースペクトルの値だけで人１０と周期運動物体とを区別し、人１０の有無の判定を行うことは困難である。
　他に、人１０と周期運動物体とを区別する手法として、ドップラー信号の時系列変化に自己相関関数を適用し、ドップラー信号の周期性を判定する手法が挙げられる。しかしながら、自己相関関数によってドップラー信号の周期性を判定する手法は、振幅の大きい周期信号に振幅の小さい非周期信号が重畳した場合に非周期信号の検出が困難である等、両者の振幅に判定結果が依存する。その上、上述の人１０の行動および活動と速度が類似する動作を行う物体が存在する場合に、どのように人１０とそのような物体とを区別するか、については課題として認識されておらず、解決もされていない。
　＜３．例示的な実施形態＞
　以下では、図２～１０を参照し、例示的な実施形態を説明する。本実施形態によれば、ドップラー信号の検知エリアに外乱が存在する場合であっても非周期運動物体の有無を判定することが可能である。
　　（構成）
　図２は、例示的な実施形態による人検知装置２０の内部構成の概略図である。図２に示したように、人検知装置２０は、ドップラーセンサ１０４と、増幅器１０８と、アナログフィルタ１１２と、Ａ／Ｄ変換機１１６と、人検出信号処理部１２０と、判定結果表示部１３２と、を含む。
　図３は、人検出信号処理部１２０の機能ブロック図である。図３に示したように、人検出信号処理部１２０は、統計モデル推定部１２４と、判定部１２８と、を含む。
　ドップラーセンサ１０４は、非周期運動物体および周期運動物体などの任意の反射物体に対して電波または超音波を送受信し、送信した電波または超音波と受信した電波または超音波との差分の周波数の信号であるドップラー信号を出力する。増幅器１０８は、ドップラーセンサ１０４が出力したドップラー信号の増幅を行う。アナログフィルタ１１２は、増幅器１０８が出力したドップラー信号に対して、電源ノイズなどの雑音のカット、およびエイリアシングの防止などによる信号品質の向上を行い、所要の周波数成分を取得して出力する。
　Ａ／Ｄ変換機１１６は、アナログフィルタ１１２が出力したドップラー信号を、アナログ信号からデジタル信号に変換して出力する。人検出信号処理部１２０は、Ａ／Ｄ変換機１１６が出力した、デジタル化されたドップラー信号を処理して人１０の有無を判定する。詳述すると、統計モデル推定部１２４は、所定期間のドップラー信号またはドップラー信号に所定のデータ変換を行うことで得られたデータにより、ドップラー信号またはデータの時系列変化を表す統計モデルを推定する。また、判定部１２８は、統計モデル推定部が推定した統計モデルによって、反射物体に人１０が存在するか否か、即ち人１０の有無を判定する。また、人検出信号処理部１２０は、所定期間のドップラー信号を処理するので、ドップラー信号を蓄積する機能を有していてもよい。他にも、例えば各種データを保存する計器であるロガーまたはコンピュータが、ドップラー信号を蓄積してもよい。また、人検出信号処理部１２０は、デジタル信号の雑音をカットするデジタルフィルタとしての機能を有していてもよい。判定結果表示部１３２は、人検出信号処理部１２０による判定結果を表示する表示部である。
　図２においては、ドップラーセンサ１０４と、増幅器１０８と、アナログフィルタ１１２と、Ａ／Ｄ変換機１１６と、人検出信号処理部１２０と、判定結果表示部１３２と、が人検知装置２０内で結合されるよう示したが、本実施形態はかかる例に限定されない。それぞれの構成要素が別箇の機器であってもよく、例えば、増幅器１０８と、アナログフィルタ１１２と、Ａ／Ｄ変換機１１６と、人検出信号処理部１２０と、がコンピュータに含まれ、判定結果表示部１３２がディスプレイであってもよい。
　以上、人検知装置２０の構成について説明した。本実施形態は、上述した人検知装置２０に関し、特に、人検出信号処理部１２０による検知処理に関する。そこで、以下では、人検出信号処理部１２０による動作について、図４～１０を参照して詳細に説明する。
　　（動作）
　人検知装置２０の動作は、［３－１．ドップラー信号の取得及びデータ変換］、［３－２．統計モデルの推定］、［３－３．人の有無の判定］の３つの段階に分類される。以下では図４を参照し、各段階における動作を説明する。
　図４は、例示的な実施形態による人検知装置２０の判定処理のフローチャートである。
　［３－１．ドップラー信号の取得及びデータ変換］
　まず、ステップＳ２００で、ドップラーセンサ１０４は、電波または超音波を照射し、反射物体からの反射される電波または超音波を受信することでセンシングする。ドップラーセンサ１０４は、送信した電波または超音波と、反射物体から反射され受信した電波または超音波と、の差分による周波数の信号であるドップラー信号を出力する。
　次に、ステップＳ２０４で、増幅器１０８はドップラーセンサ１０４が出力したドップラー信号の増幅を行い、続いてアナログフィルタ１１２は雑音成分のカットを行う。ここで、ステップＳ２０４における処理について詳述する。
　ドップラーセンサ１０４により得られたアナログ信号は一般的に微小信号となるので、増幅器１０８は、ＳＮ比（信号雑音比：Ｓｉｇｎａｌ－Ｎｏｉｚｅ　Ｒａｔｉｏ）を改善するために、アナログ信号の増幅を行う。
　ところで、反射物体が人１０である場合に得られるドップラー信号は、低周波から高周波数までのさまざまな周波数成分を含む。そして、当該ドップラー信号は、歩行時、また静止時には呼吸や心拍、また、無意識な体の揺れなどを含む低周波数成分を多く含む。一方で、反射物体が例えば扇風機である場合に観測されるドップラー信号においては、当該ドップラー信号のうち例えばファンの回転動作により発生する成分は、周波数が一定、またはある限定的な周波数帯に分布する場合がある。このような機器による動作によって観測されるドップラー信号の周波数は、人１０の動作によって観測されるドップラー信号の周波数との重なりの影響が小さいので、雑音としてバンドパスフィルタなどにより分離することができる。例えば、アナログ信号はアナログフィルタ１１２によって、Ａ／Ｄ変換機１１６により変換されたデジタル信号は人検出信号処理部１２０におけるデジタルフィルタによって、そのような雑音がカットされる。
　続いて、ステップＳ２０８で、統計モデル推定部１２４は、Ａ／Ｄ変換機１１６が出力したドップラー信号に所定のデータ変換を行う。ここで、ステップＳ２０８における処理について詳述する。
　ドップラーセンサ１０４は、反射物体のドップラーセンサ１０４に対する接近・離反の動作によって位相が±９０度異なるＩＱ信号をドップラー信号として出力する。ここで、ＩＱ信号とは、同相信号を示すＩ信号と直交信号を示すＱ信号との、２チャンネルの信号から成る複素信号である。統計モデル推定部１２４は、ＩＱ信号のデータ変換により、２チャンネルの信号の振幅の包絡線の波形や、反射物体の速度だけでなく移動方向のデータを得ることができる。そして、判定部１２８は、これらの変換されたデータを用いて人１０の有無の判定することができる。なお、反射物体がドップラーセンサ１０４に対して接近する場合には、Ｉ信号はＱ信号と比較して９０度進み、反射物体がドップラーセンサ１０４に対して離反する場合には、Ｉ信号はＱ信号と比較して９０度遅れる。また、判定部１２８は、これらの統計モデル推定部１２４により変換されたデータの他に、ＩＱ信号をデータ変換することなく用いて人１０の有無の判定することが可能である。
　以下では、データ変換の一例として、統計モデル推定部１２４がＩＱ信号を瞬時振幅、瞬時周波数、面積速度にデータ変換する例を示す。なお、瞬時周波数は反射物体の速度に比例する。サンプリング周波数ｆｓで信号をサンプリングした場合、サンプリング間隔Δｔは１／ｆｓとなる。ｎ番目のサンプルのＩＱ信号の波形をそれぞれＩｎ、Ｑｎとすると、瞬時振幅Ａｎ、瞬時周波数Ｆｎ、面積速度Ｓｎは、それぞれ以下の式で示される。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　ここで、θｎを瞬時位相とする。
　［３－２．統計モデルの推定］
　以上、ドップラー信号の取得及びデータ変換処理について説明した。以下では、取得したドップラー信号またはデータ変換により得られたデータによる統計モデルの推定処理について説明する。
　統計モデル推定部１２４は、反射物体の運動が周期運動であると仮定して、周期運動に応じた統計モデルを推定する。具体的には、ステップＳ２１２で、統計モデル推定部１２４は、取得したドップラー信号またはデータ変換を行うことで得られたデータの時系列変化が周期変化すると仮定し、ある観測期間Ｔの時系列データから次数Ｍの統計モデル係数を推定する。ここで、ステップＳ２１２における処理について詳述する。
　本実施形態に用いることのできる、時系列データに対して線形予測を行う統計モデルとしては、例えば、ＡＲモデル（自己回帰モデル：ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ　Ｍｏｄｅｌ）、ＡＲＭＡモデル（自己回帰移動平均モデル：ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ　Ｍｏｖｉｎｇ　Ａｖｅｒａｇｅ　Ｍｏｄｅｌ）、ＡＲＩＭＡモデル（自己回帰和分移動平均モデル：ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ　Ｉｎｔｅｇｒａｔｅｄ　Ｍｏｖｉｎｇ　Ａｖｅｒａｇｅ　Ｍｏｄｅｌ）、ＡＲＩＭＡＸモデル（外生変数型自己回帰和分移動平均モデル：ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ　ａｎｄ　Ｍｏｖｉｎｇ　Ａｖｅｒａｇｅ　Ｐｒｏｃｅｓｓｅｓ　ｗｉｔｈ　ｅＸｏｇｅｎｏｕｓ　Ｒｅｇｒｅｓｓｏｒｓ　Ｍｏｄｅｌ）がある。また、他にもそれらを多変量に拡張したＶＡＲモデル（多変量自己回帰モデル：ｖｅｃｔｏｒ　ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　ｍｏｄｅｌ）、ＶＡＲＭＡモデル（多変量自己回帰移動平均モデル：ｖｅｃｔｏｒ　ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　ｍｏｖｉｎｇ　ａｖｅｒａｇｅ　ｍｏｄｅｌ）、ＶＡＲＩＭＡモデル（多変量自己回帰和分移動平均モデル：ｖｅｃｔｏｒ　ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　ｉｎｔｅｇｒａｔｅｄ　ｍｏｖｉｎｇ　ａｖｅｒａｇｅ　ｍｏｄｅｌ）、ＶＡＲＩＭＡＸ（外生変数型多変量自己回帰和分移動平均モデル：ｖｅｃｔｏｒ　ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　ａｎｄ　ｍｏｖｉｎｇ　ａｖｅｒａｇｅ　ｐｒｏｃｅｓｓｅｓ　ｗｉｔｈ　ｅＸｏｇｅｎｏｕｓ　ｒｅｇｒｅｓｓｏｒｓ　ｍｏｄｅｌ）などがある。なお、統計モデル推定部１２４は、統計モデルとしてＡＲモデルやＡＲＭＡモデルなどの一変量のモデルを用いる場合には、Ｉ信号、Ｑ信号、または上述のデータ変換により得たデータのうちひとつの時系列データに対して統計モデルを推定する。一方で、なお、統計モデル推定部１２４は、統計モデルとしてＶＡＲモデルやＶＡＲＭＡモデルなどの多変量のモデルを用いる場合には、Ｉ信号、Ｑ信号、または上述のデータ変換により得たデータのうち複数の時系列データに対して統計モデルを推定する。以下では一例として、ＡＲＭＡモデル（自己回帰移動平均モデル）を用いた判定処理について説明する。
　ＡＲＭＡモデルは、自己回帰（ＡＲ）部分と移動平均（ＭＡ）部分から成る。ＡＲＭＡモデルは、自己回帰係数ａｉの次数をｐ、移動平均係数ｂｊの次数をｑ，予測誤差ｅｎとすると、ある時系列データｘｎに対して以下のように表される。
Figure JPOXMLDOC01-appb-M000004
　ここで、予測誤差とは、ＡＲＭＡモデルによって予測された予測値と、実際に測定された実測値との差を表す。また、時系列データｘｎとしては、上記数式１～３で示した瞬時振幅Ａｎ、瞬時周波数Ｆｎ、面積速度Ｓｎ、もしくはＩＱ信号から変換されたその他の時系列データ、または、Ｉ信号もしくはＱ信号を用いることができる。例えば、時系列データｘｎが反射物体の瞬時振幅であれば、予測誤差は、ＡＲＭＡモデルによって予測された瞬時振幅と、実際に計測された瞬時振幅との差分である。
　そして、統計モデル推定部１２４は、プロニー法（Ｐｒｏｎｙ法）を用いて、自己回帰係数ａおよび移動平均係数ｂを求める。プロニー法では、まず、統計モデル推定部１２４は、時系列データｘｎをＡＲ過程として以下のようにモデル化する。
Figure JPOXMLDOC01-appb-M000005
　そして、統計モデル推定部１２４は、以下のようにインパルス応答ｘｎを求める。
Figure JPOXMLDOC01-appb-M000006
　ここで、αおよびβはＡＲ過程における係数である。
　上記ＡＲ過程におけるインパルス応答が次数（ｐ、ｑ）のＡＲＭＡモデルに対応すると考えると、ＡＲＭＡモデルは以下のように表される。
Figure JPOXMLDOC01-appb-M000007
ここで、Ｍを十分大きな値とすると、ＡＲＭＡモデルは以下のように近似的に与えられる。
Figure JPOXMLDOC01-appb-M000008
　ここでｐ≧ｑとしてｚの同じ冪の項を比較すると、統計モデル推定部１２４は、次の方程式を解くことでＡＲＭＡ係数を求めることができる。
Figure JPOXMLDOC01-appb-M000009
　統計モデル推定部１２４は、数式９において、移動平均係数ｂｊに関係ない式であるｑ＋１行目からＭ行目までを解くことで、自己回帰係数ａｉを得る。そして、統計モデル推定部１２４は、自己回帰係数ａｉを数式９における１行目からｑ行目に代入することで、
移動平均係数ｂｊを得る。
Figure JPOXMLDOC01-appb-I000010
Figure JPOXMLDOC01-appb-M000011
Figure JPOXMLDOC01-appb-I000012
Figure JPOXMLDOC01-appb-M000013
　このようにして推定された統計モデルの、データの時系列変化への当てはまりの悪さの度合いを、本実施形態では統計モデルの不適合度と定義する。そして、統計モデルの不適合度が小さいほどデータの時系列変化への当てはまりは良く、逆に統計モデルの不適合度が大きいほどデータの時系列変化への当てはまりは悪い。また、統計モデルをある信号に当てはめたとき、一般的に統計モデルによる推定値と実際に測定された実測値との間には差が生じる。従って、例えばこのような推定値と実測値の差分である予測誤差を、統計モデルの不適合度として用いることができる。他にも、例えば、統計モデルの不適合度としては、後述の数式１２で表されるＡＩＣ（赤池情報基準：Ａｋａｉｋｅ‘ｓ　Ｉｎｆｏｍａｔｉｏｎ　Ｃｒｉｔｅｒｉｏｎ）が挙げられる。ＡＩＣは統計モデルの当てはまりの良さを示す評価尺度である。本実施形態では統計モデルの不適合度としてＡＩＣを用いる例を後述するが、他にもＦＰＥ（Ｆｉｎａｌ　Ｐｒｅｄｉｃｔｉｏｎ　Ｅｒｒｏｒ）またはその他の評価尺度を用いてもよい。以下では、まず、統計モデルの不適合度として予測誤差を用いる例を説明する。
　ドップラーセンサ１０４が機械等の周期運動物体の動きを観測した場合、時系列データｘｎのＡＲ係数の値が時間的に変わらない、あるいは一定周期で変動する信号となる。その結果、ある時間帯から求めたＡＲ係数で構成されるモデルは、同じＡＲ係数の値で構成される別の時間帯の時系列データへのあてはめが良くなり、予測誤差は小さくなる。一方、ドップラーセンサ１０４が人１０の動き等の非周期運動を観測した場合は、時系列データｘｎのＡＲ係数の値が非周期的に変動する値となる。その結果、ある時間帯で求めたＡＲ係数で構成されるモデルはその時間帯に固有なモデルとなり、別の時刻の時系列データへのあてはめが悪くなり、その結果，予測誤差は大きくなる。つまり、予測誤差の大小は時系列信号の比周期性の大きさに依存する。
　ここで、反射物体に非周期運動物体である人１０が含まれない場合、即ち、ドップラー信号が周期変化する周期信号であった場合の予測誤差について、図５を参照して説明する。
　図５は、周期信号に対して推定された統計モデルによる予測誤差の例を示したグラフである。図５に示したように、まず、統計モデル推定部１２４は、統計モデル係数推定期間において、信号が周期信号であると仮定して、周期変化を表現する統計モデルの係数を推定する。そして、統計モデル推定部１２４は、推定した統計モデルの係数を用いて、過去の信号値から次時刻の信号値を推定する。
　ここで、信号が周期信号である場合、過去の信号値と次に測定する信号値とは、ほぼ一意に定まる関係にある。例えば、信号値ｄ１、ｄ２、ｄ３の次にはｄ４が、信号値ｄ５、ｄ６、ｄ７の次にはｄ８が観測される。このように、類似した時系列の信号の次の信号は値が類似している。そのため、統計モデル推定部１２４が、周期信号の周期性に応じて推定された統計モデルの係数を用いると、予測誤差算出期間における予測誤差は小さくなる。例えば、統計モデル推定期間で観測された信号値ｄ５、ｄ６、ｄ７と同様の信号値ｄ９、ｄ１０、ｄ１１に基づいて統計モデル推定部１２４が予測した予測値Ｄ１２は、実際に観測された信号値ｄ１２に近い値となる。
　一方で、反射物体に非周期運動物体である人１０が含まる場合、即ち、ドップラー信号が非周期変化する非周期信号であった場合は、周期信号であった場合と比較しての予測誤差が大きくなる。そこで、ドップラー信号が非周期変化する非周期信号であった場合の予測誤差について、図６を参照して説明する。
　図６は、非周期信号に対して推定された統計モデルによる予測誤差の例を示したグラフである。図６に示したように、図５を参照して上記説明した処理と同様、統計モデル推定部１２４は、ドップラー信号が周期信号であると仮定して統計モデルの係数を推定し、過去の信号値から次の信号値を推定する。
　ここで、信号が非周期信号である場合、過去の信号値と次に測定する信号値とは、ほぼ一意に定まる関係にはない。例えば、統計モデル係数推定期間で観測された信号値ｅ１、ｅ２、ｅ３、ｅ４に類似した信号値の系列は他では現れない。また、信号値ｅ５、ｅ６、ｅ７は信号値ｅ１、ｅ２、ｅ３とは異なり、信号値ｅ５、ｅ６、ｅ７の次に観測されるｅ８も、信号値ｅ１、ｅ２、ｅ３の次に観測されるｅ４と異なる。従って、周期信号を仮定して推定された統計モデルによる予測値Ｅ８と、実際の信号値ｅ８との予測誤差は大きい。
　このように、予測誤差の大きさは、ドップラー信号が非周期信号であるか否か、即ち、反射物体に非周期運動物体である人１０が含まれるか否かに依存する。
　次に、人１０の行動および活動と速度が類似する動作を行う周期運動物体の例として、反射物体が首ふり動作を行う扇風機である場合のドップラー信号について図７を参照して説明し、次に反射物体が人１０である場合のドップラー信号について図８を参照して説明する。
　図７は、反射物体が約１５秒周期で首ふり動作を繰り返し行う扇風機である場合のドップラー信号の低周波成分の波形図である。なお、図７に示したドップラー信号は、アナログフィルタ１１２または統計モデル推定部１２４におけるデジタルフィルタによって、５Ｈｚ以上の周波数領域がカットされた信号であるので、扇風機のファンによる回転動作の影響が除外されている。図７に示したように、波形は周期的に動作する首ふり動作に依存するので、ドップラー信号は首ふりに応じた周期信号となっている。そして、首ふり動作は約１５秒の周期で同じ動作を繰り返すので、観測される波形も約１５秒周期で同じ波形を繰り返す周期信号となっている。
　図８は、反射物体が人１０である場合のドップラー信号の低周波成分の波形図である。なお、図７と同様、アナログフィルタ１１２または統計モデル推定部１２４におけるデジタルフィルタによって、５Ｈｚ以上の周波数領域がカットされた信号である。図８に示したように、人１０の動作は非周期に変化するので、ドップラー信号の波形は周期が一定ではないか、もしくは、周期をもたない。従って、統計モデル推定部１２４が、ドップラー信号は周期信号であると仮定して周期変化を表現する統計モデルを推定したとしても、信号は周期信号ではないので、予測誤差が大きくなる。
　このように、統計モデルの不適合度の大きさは、ドップラー信号が周期信号であるか非周期信号であるかに依存する。即ち、反射物体が周期運動物体であれば統計モデルの不適合度は小さく、反射物体が人１０であれば統計モデルの不適合度は大きい。
　以上、詳述してきたように、ステップＳ２１２で、統計モデル推定部１２４は、観測期間Ｔにおいて取得したドップラー信号またはデータ変換により得られたデータの時系列変化から次数Ｍの統計モデル係数を推定する。ここで、統計モデルの次数Ｍはある一意の値としてもよい。一般的に、統計モデルの次数Ｍが過度に小さい場合はモデルが過度に簡単になり、その結果予測誤差が増大する。一方で、統計モデルの次数Ｍが過度に大きい場合はモデルが過度に複雑になり、その結果未知のサンプルに対する不適合度が増大する。そこで、次数Ｍを、後述の数式１２で表されるＡＩＣを最小化する値としてもよい。また、統計モデル推定部１２４は、ステップＳ２１２において次数Ｍを一意の値とはせず、ＡＩＣを最小化する次数Ｍを推定し、推定した次数Ｍの統計モデル係数を推定してもよい。
　一般的に、予測誤差算出期間に対する統計モデル係数推定期間の割合が高い場合は、上記数式９で示したように統計モデル係数を求める計算量が増大する。しかしながら、予測誤差算出期間に対する統計モデル係数推定期間の割合が低い場合は、仮に人１０が反射物体に含まれていないとしても、判定部１２８は人１０が存在すると誤判定する可能性がある。例えば、反射物体に含まれる機器の動作パターンまたは動作の周期が変化し
ても、変化後に統計モデル係数推定期間が設けられない場合には、予測誤差が大きくなり、判定部１２８は人１０が存在すると誤判定する可能性がある。
　図９は、周期運動物体の動作パターンの変化に伴う予測誤差の変化を示したグラフである。統計モデル推定部１２４は、周期運動物体がある動作パターン１で動作しているときに統計モデル係数を推定したとする。その後、時刻ｔ１より機器がある動作パターン２で動作すると、ドップラーセンサ１０４により得られるドップラー信号が周期信号であっても波形のパターンが動作パターンの変化に伴い変化する。ここで、動作パターン１を表現する統計モデルは動作パターン２への当てはまりが悪い場合には、予測誤差は大きくなる。従って、判定部１２８は、実際には人１０が存在しないにも関わらず、人１０が存在すると誤判定する可能性がある。
　そこで、統計モデル推定部１２４は、統計モデルの不適合度が所定の閾値を超過する場合に統計モデルを再度推定し、統計モデルを更新してもよい。例えば、閾値Ｔｈｅの超過は、統計モデルの不適合度が閾値Ｔｈｅを一瞬でも超えた場合としてもよい。他にも、前回に統計モデル係数を更新したときから、統計モデルの不適合度が閾値Ｔｈｅを所定の期間以上超過する場合としてもよい。また、前回に統計モデル係数を更新したときから所定の期間において、統計モデルの不適合度が閾値Ｔｈｅを所定の割合以上超過する場合としてもよい。
　図１０は、周期運動物体の動作パターンの変化に伴い統計モデル係数推定期間を設けた場合の予測誤差の変化を示したグラフである。図１０に示したように、統計モデル推定部１２４は、閾値Ｔｈｅを予測誤差の分散の値とし、予測誤差による閾値Ｔｈｅの超過を契機に統計モデル係数推定期間を時刻ｔ１から時刻ｔ２に設けている。ここで、予測誤差による閾値Ｔｈｅの超過は、周期運動物体の動作の動作パターン１から動作パターン２への変化に伴い発生する。そして、統計モデル推定期間において、統計モデル推定部１２４は変化後の動作パターン２に応じた統計モデル係数を推定するので、統計モデル推定期間の後は、予測誤差は閾値Ｔｈｅを下回るようになる。
　このように、周期運動物体の動作パターンの変化によってドップラー信号の波形が変化して予測誤差が閾値を超過した場合であっても、統計モデル推定部１２４は、閾値の超過を契機として、変化後の動作パターンに応じた統計モデルに更新することができる。従って、判定部１２８は、周期運動物体の動作パターンの変化によって、人１０が存在すると誤判定することがない。次に、人１０によりドップラー信号の波形が変化する例について、図１１を参照して説明する。
　図１１は、人１０の登場に伴い統計モデル係数推定期間を設けた場合の予測誤差の変化を示したグラフである。図１１に示したように、閾値Ｔｈｅを予測誤差の分散の値とし、予測誤差による閾値Ｔｈｅの超過を契機に統計モデル係数推定期間を時刻ｔ１から時刻ｔ２に設けている。しかしながら、人１０は非周期的に動作するのでドップラー信号は非周期信号となる。従って、統計モデル推定部１２４が統計モデル推定期間において統計モデルを推定した後であっても、予測誤差は閾値Ｔｈｅを超過している。
　このように、閾値を用いて統計モデル係数推定期間を設けることで、周期運動物体の運動周期または運動パターンが変化したとしても、人１０が存在すると誤判定することはない。また、人１０が存在する場合には統計モデル係数推定期間経過後も予測誤差が閾値を超過するので、人１０が存在すると判定することができる。
　なお、上記では予測誤差による閾値Ｔｈｅの超過を契機に統計モデル係数推定期間を設けるとしたが、本実施形態は係る例に限定されない。例えば、一定期間における平均や標準偏差などの、予測誤差から算出される統計量による閾値Ｔｈｅの超過を契機に統計モデル係数推定期間を設けてもよい。また、統計モデル係数推定期間の契機を一定間隔としてもよい。具体的には、統計モデル推定部１２４は所定間隔で統計モデルを再度推定し、統計モデルを更新してもよい。
　［３－３．人の有無の判定］
　以上、周期信号を仮定した統計モデルの推定処理について説明した。続いて、判定部１２８は、統計モデル推定部１２４が推定した統計モデルと、ドップラー信号またはドップラー信号に所定のデータ変換を行うことで得られたデータの時系列変化と、の不適合度によって、反射物体に人１０が存在するか否かを判定する。以下では、統計モデル推定部１２４が推定した統計モデルによる予測、および統計モデルの不適合度によって、反射物体に人１０が存在するか否かを判定する処理について説明する。
　ステップＳ２１６において、判定部１２８は、推定した統計モデルによって、観測期間Ｔと同様の期間、または観測期間Ｔとは異なる観測期間Ｔ´における予測誤差を、観測期間におけるサンプルから算出する。
　そして、ステップＳ２２０で、判定部１２８は、算出した予測誤差からＡＩＣの値を統計モデルの不適合度として算出する。
Figure JPOXMLDOC01-appb-I000014
Figure JPOXMLDOC01-appb-M000015
　続いて、ステップＳ２２４で、判定部１２８は、事前に定めた閾値ＴｈａとＡＩＣの値とを比較する。そして、判定部１２８は、ＡＩＣの値が閾値Ｔｈａを超過した場合は、ステップＳ２２８で人１０が存在すると判定し、ＡＩＣの値が閾値Ｔｈａ以下の場合は、ステップＳ２３２で人１０が存在しないと判定する。そして、ステップＳ２３６で、判定結果表示部１３２はステップＳ２２８またはＳ２３２の結果を表示する。例えば、判定結果表示部１３２は、画面表示や、通知音の鳴動などを行う。
　なお、閾値Ｔｈａの超過は、例えば統計モデルの不適合度が閾値Ｔｈａを一瞬でも超えた場合としてもよい。他にも、前回に統計モデル係数を更新したときから、統計モデルの不適合度が閾値Ｔｈａを所定の期間以上超過する場合としてもよい。また、前回に統計モデル係数を更新したときから所定の期間において、統計モデルの不適合度が閾値Ｔｈａを所定の割合以上超過する場合としてもよい。
　（効果）
　以上説明したように、本実施形態によれば、ドップラー信号の検知エリアに外乱が存在する場合であっても人１０の有無を判定することができる。より具体的には、検知エリアに周期運動物体が存在する場合であっても、判定部１２８は、当該周期運動物体を人１０として誤判定することなく、人１０の有無を判定することができる。その上、検知エリアに存在する周期運動物体の動作パターンの変化などにより、ドップラー信号の波形が変化した場合であっても、判定部１２８は当該周期運動物体を人１０として誤判定することなく、人１０の有無を判定することができる。
　従って、ドップラー信号の検知エリアに人１０の行動および活動と速度が類似する動作を行う周期運動物体が存在する場合であっても、判定部１２８は、人１０と周期運動物体とを区別することができる。例えば、扇風機やヒーターの首振り、電子レンジの回転台、洗濯機のような機器の動きによる外乱が存在する場合であっても、判定部１２８は人１０の有無を検知することができる。また、周期運動物体が複数存在する場合であっても、統計モデル推定部１２４は複数の周期運動物体により生じるドップラー信号の時系列変化の周期性を表現する統計モデルを推定することができる。従って、このような場合であっても、判定部１２８は周期運動物体を人１０として誤判定することなく、人１０の有無を判定することができる。また、検知エリアにおける周期運動物体の数が増減する場合であっても、統計モデル推定部１２４は増減を契機として再度統計モデルを推定し更新することができる。従って、このような場合であっても、判定部１２８は周期運動物体を人１０として誤判定することなく、人１０の有無を判定することができる。
　また、本実施形態によれば、統計モデルの不適合度が閾値を超えた場合の他に、所定間隔で統計モデルを推定して統計モデルを更新することができる。従って、統計モデル推定部１２４は、統計モデルの不適合度の大小に因らず所定間隔で統計モデルを推定するので、時間経過による統計モデルの信頼性の低下を防止することができる。
　また、本実施形態によれば、フーリエ変換のように抽出する成分の周波数の範囲を限定することがないので、不特定の周波数成分に上述した処理を適用できる。
　また、本実施形態によれば、ＩＱ信号に基づいて人１０の有無を検知することができるので、反射物体の速度の変化パターンだけではなく、ドップラーセンサ１０４に対する接近・離反動作のパターンによっても周期性を検出することができる。また、多変量のモデルを用いた場合には、パワースペクトルのみに基づいて人１０の有無を判定する比較例と比較して、様々なデータに基づいて人１０の有無を判定することができる。
　＜４．むすび＞
　以上、添付図面を参照しながら例示的な実施形態について詳細に説明したが、本発明の実施形態はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
　例えば、上記実施形態では、統計モデル推定部１２４は、予測誤差が閾値を超過した場合に統計モデルを再度推定し、判定部１２８は統計モデルのＡＩＣが閾値を超過した場合に人１０が存在すると判定したが、本発明はかかる例に限定されない。例えば、統計モデル推定部１２４は、ＡＩＣが閾値を超過した場合に統計モデルを再度推定し、判定部１２８は統計モデルの予測誤差が閾値を超過した場合に人１０が存在すると判定してもよい。即ち、統計モデルの不適合度は、統計モデルのＡＩＣまたは予測誤差のいずれかの値としてもよく、その他の評価尺度としてもよい。また、統計モデルの推定契機と人１０の有無の推定契機とに、予測誤差やＡＩＣ、その他の評価尺度を共通して用いてもよい。
　また、上記実施形態では、判定部１２８はＡＲＭＡモデルの予測誤差を用いて人１０の有無を検知したが、実施形態はかかる例に限定されない。例えば、判定部１２８は、ＡＲＭＡモデルの予測誤差とフーリエ変換を用いた他の人検知方式とを併用して人１０の有無を検知してもよい。
　また、上記実施形態では、判定部１２８はあるひとつの期間におけるＡＩＣの閾値判定により人１０の有無を判定したが、実施形態はかかる例に限定されない。例えば、複数の期間における複数のＡＩＣの平均値や分散値などの統計量の閾値判定により人１０の有無を判定してもよい。他にも、ＡＩＣやＡＩＣの統計量の値を有人状態と無人状態とに分類しておき、観測されたドップラー信号から算出したＡＩＣとのマハラノビス距離が最も近い状態を、判定結果とする手法や、サポートベクタマシンなどによる機械学習のアルゴリズムを適用してもよい。

Claims (13)

  1. 　任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定する統計モデル推定部と、
    　前記統計モデル推定部が推定した前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定する判定部と、
    を備える物体検知装置。
  2. 　前記判定部は、前記統計モデル推定部により推定された前記統計モデルの不適合度が所定の閾値を超過する場合に、前記反射物体に前記非周期運動物体が存在すると判定する、
    請求項１に記載の物体検知装置。
  3. 　前記統計モデル推定部は、前記統計モデルの不適合度が所定の閾値を超過する場合に前記統計モデルを再度推定し、前記統計モデルを更新する、請求項１に記載の物体検知装置。
  4. 　前記統計モデルの不適合度が所定の閾値を超過する場合とは、前記統計モデルの不適合度が前記閾値を所定の期間以上超過する場合、または所定の期間において前記統計モデルの不適合度が前記閾値を所定の割合以上超過する場合である、請求項２に記載の物体検知装置。
  5. 　前記統計モデルの不適合度が所定の閾値を超過する場合とは、前記統計モデルの不適合度が前記閾値を所定の期間以上超過する場合、または所定の期間において前記統計モデルの不適合度が前記閾値を所定の割合以上超過する場合である、請求項３に記載の物体検知装置。
  6. 　前記統計モデル推定部は、所定間隔で前記統計モデルを推定し、前記統計モデルを更新する、請求項１に記載の物体検知装置。
  7. 　前記統計モデル推定部は、前記統計モデルに含まれる係数を推定する、請求項１に記載の物体検知装置。
  8. 　前記統計モデルの不適合度は、前記統計モデルのＡＩＣ（赤池情報量基準）または前記統計モデルによる予測値と実測値との差分のいずれかにより算出される数値である、請求項１に記載の物体検知装置。
  9. 　前記統計モデルは、ＡＲモデル（自己回帰モデル）、ＡＲＭＡモデル（自己回帰移動平均モデル）、ＡＲＩＭＡモデル（自己回帰和分移動平均モデル）ＡＲＩＭＡＸモデル（外生変数型自己回帰和分移動平均モデル）、または，それらを多変数に拡張したＶＡＲモデル（多変量自己回帰モデル）、ＶＡＲＭＡモデル（多変量自己回帰移動平均モデル）、ＶＡＲＩＭＡモデル（多変量自己回帰和分移動平均モデル）ＶＡＲＩＭＡＸ（外生変数型多変量自己回帰和分移動平均モデル）のいずれかである、請求項１に記載の物体検知装置。
  10. 　前記ドップラー信号に所定のデータ変換を行うことで得られたデータは、前記ドップラー信号から算出した瞬時振幅、瞬時周波数、面積速度のいずれかである、請求項１に記載の物体検知装置。
  11. 　前記非周期運動物体は人である、請求項１に記載の物体検知装置。
  12. 　任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定し、
    　前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定すること、
    　を含む、物体検知方法。
  13. 　コンピュータに物体検知処理を実行させるプログラムを記憶したコンピュータ可読記憶媒体であって、前記物体検知処理が、
    　任意の反射物体に対する所定期間のドップラー信号または前記ドップラー信号に所定のデータ変換を行うことで得られたデータにより前記ドップラー信号または前記データの時系列変化を表す統計モデルを推定し、
    　前記統計モデルと前記ドップラー信号または前記データの時系列変化との不適合度によって前記反射物体に非周期運動物体が存在するか否かを判定すること、
    を含む、コンピュータ可読記憶媒体。
PCT/JP2013/062611 2012-07-02 2013-04-30 物体検知装置、物体検知方法及び記憶媒体 Ceased WO2014006967A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/582,136 US20150186569A1 (en) 2012-07-02 2014-12-23 Object detection device, object detection method, and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012-148333 2012-07-02
JP2012148333A JP5477424B2 (ja) 2012-07-02 2012-07-02 物体検知装置、物体検知方法及びプログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US14/582,136 Continuation US20150186569A1 (en) 2012-07-02 2014-12-23 Object detection device, object detection method, and storage medium

Publications (1)

Publication Number Publication Date
WO2014006967A1 true WO2014006967A1 (ja) 2014-01-09

Family

ID=49881729

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/062611 Ceased WO2014006967A1 (ja) 2012-07-02 2013-04-30 物体検知装置、物体検知方法及び記憶媒体

Country Status (3)

Country Link
US (1) US20150186569A1 (ja)
JP (1) JP5477424B2 (ja)
WO (1) WO2014006967A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013238442A (ja) * 2012-05-14 2013-11-28 Oki Electric Ind Co Ltd 推定装置、推定方法及びプログラム
EP3021133A1 (en) * 2014-11-13 2016-05-18 Samsung Electronics Co., Ltd. Display apparatus and control method thereof

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL2012327B1 (en) * 2013-12-13 2016-06-21 Utc Fire & Security B V Selective intrusion detection systems.
JP6379709B2 (ja) * 2014-06-18 2018-08-29 沖電気工業株式会社 信号処理装置、信号処理方法及びプログラム
JP6369787B2 (ja) * 2014-09-26 2018-08-08 パナソニックＩｐマネジメント株式会社 信号処理装置、検出装置、およびプログラム
JP6536038B2 (ja) * 2015-01-19 2019-07-03 沖電気工業株式会社 周期推定装置、周期推定方法及びプログラム。
US10264407B2 (en) * 2015-06-25 2019-04-16 The Board Of Trustees Of The University Of Alabama Intelligent multi-bean medium access control in ku-band for mission-oriented mobile mesh networks
US10962640B2 (en) 2016-06-17 2021-03-30 Fujitsu Ten Limited Radar device and control method of radar device
US10677905B2 (en) * 2017-09-26 2020-06-09 Infineon Technologies Ag System and method for occupancy detection using a millimeter-wave radar sensor
US10770035B2 (en) * 2018-08-22 2020-09-08 Google Llc Smartphone-based radar system for facilitating awareness of user presence and orientation
US10890653B2 (en) 2018-08-22 2021-01-12 Google Llc Radar-based gesture enhancement for voice interfaces
US10698603B2 (en) 2018-08-24 2020-06-30 Google Llc Smartphone-based radar system facilitating ease and accuracy of user interactions with displayed objects in an augmented-reality interface
US10788880B2 (en) 2018-10-22 2020-09-29 Google Llc Smartphone-based radar system for determining user intention in a lower-power mode
KR102297343B1 (ko) * 2019-09-26 2021-09-01 금오공과대학교 산학협력단 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법
JP7354765B2 (ja) 2019-10-25 2023-10-03 株式会社デンソー 移動体警報装置
US11156714B2 (en) * 2020-02-13 2021-10-26 Tymphany Acoustic Technology (Huizhou) Co., Ltd. Object movement detection based on ultrasonic sensor data analysis
US11385344B2 (en) * 2020-03-20 2022-07-12 Aptiv Technologies Limited Frequency-modulated continuous-wave (FMCW) radar-based detection of living objects
CN113109808B (zh) * 2021-04-01 2023-12-29 深圳迈睿智能科技有限公司 基于存在探测的多普勒信号处理方法和装置
CN115005809B (zh) * 2022-05-24 2025-11-21 青岛海信日立空调系统有限公司 跌倒检测方法、装置、设备及存储介质
CN119337052B (zh) * 2024-12-18 2025-03-18 西安交通大学 一种半盲区多普勒微动信号的实时参数解算方法、装置、可读存储介质及计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005329254A (ja) * 2005-06-27 2005-12-02 Matsushita Electric Works Ltd 心拍センサ並びにこれを設けた人体検知センサ及び人体異常検知センサ
JP2010085100A (ja) * 2008-09-29 2010-04-15 Toto Ltd 人体検知装置及びそれを備えた小便器

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7822470B2 (en) * 2001-10-11 2010-10-26 Osypka Medical Gmbh Method for determining the left-ventricular ejection time TLVE of a heart of a subject
US7092922B2 (en) * 2003-05-23 2006-08-15 Computer Associates Think, Inc. Adaptive learning enhancement to automated model maintenance
US20050060372A1 (en) * 2003-08-27 2005-03-17 Debettencourt Jason Techniques for filtering data from a data stream of a web services application
US7174260B2 (en) * 2004-04-01 2007-02-06 Blue Line Innovations Inc. System and method for reading power meters
US7877621B2 (en) * 2004-09-03 2011-01-25 Virginia Tech Intellectual Properties, Inc. Detecting software attacks by monitoring electric power consumption patterns
JP4803212B2 (ja) * 2008-05-28 2011-10-26 ソニー株式会社 データ処理装置、データ処理方法、及びプログラム
AU2010201032B2 (en) * 2009-04-29 2014-11-20 Resmed Limited Methods and Apparatus for Detecting and Treating Respiratory Insufficiency
US8979765B2 (en) * 2010-04-19 2015-03-17 Sotera Wireless, Inc. Body-worn monitor for measuring respiratory rate
US9277467B2 (en) * 2011-12-08 2016-03-01 Samsung Electronics Co., Ltd. Communication system with adaptive handover controller and method of operation thereof

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005329254A (ja) * 2005-06-27 2005-12-02 Matsushita Electric Works Ltd 心拍センサ並びにこれを設けた人体検知センサ及び人体異常検知センサ
JP2010085100A (ja) * 2008-09-29 2010-04-15 Toto Ltd 人体検知装置及びそれを備えた小便器

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013238442A (ja) * 2012-05-14 2013-11-28 Oki Electric Ind Co Ltd 推定装置、推定方法及びプログラム
EP3021133A1 (en) * 2014-11-13 2016-05-18 Samsung Electronics Co., Ltd. Display apparatus and control method thereof

Also Published As

Publication number Publication date
JP5477424B2 (ja) 2014-04-23
US20150186569A1 (en) 2015-07-02
JP2014010095A (ja) 2014-01-20

Similar Documents

Publication Publication Date Title
JP5477424B2 (ja) 物体検知装置、物体検知方法及びプログラム
CN106659428B (zh) 通过无线电反射的生命体征监测
JP6828813B2 (ja) 情報処理装置、及び検出装置
JP6277638B2 (ja) 信号処理装置、信号処理方法及びコンピュータプログラム
US9961460B2 (en) Vibration source estimation device, vibration source estimation method, and vibration source estimation program
JP6412458B2 (ja) 超音波センサ
US9030916B2 (en) Method and system for monitoring fire based on detection of sound field variation
FI3465261T3 (fi) Tutkan kohteen tunnistusjärjestelmä ja -menetelmä
US20160025847A1 (en) State recognizing device, state recognizing method, and recording medium
CN116981954A (zh) 用于操作超宽带设备的方法、超宽带设备以及包括超宽带设备的车辆
JPWO2016136400A1 (ja) 生体監視装置、生体監視方法および生体監視システム
CN112363160B (zh) 一种基于宽带式信号的卧床跌落检测方法、介质、设备及装置
JP2000338234A (ja) 監視システム
Rodrigues et al. Wind-induced displacement analysis for a traffic light structure based on a low-cost Doppler radar array
CN103690169A (zh) 呼吸信息检测方法及系统
CN119423710A (zh) 用于估计心率的装置、雷达系统、和方法
CN112741617A (zh) 一种基于csi的全方向步态检测算法
WO2015146592A1 (ja) 拍検出装置
EP4441721A1 (en) Methods and systems for detection of vital signs
JP5884681B2 (ja) 信号処理装置およびプログラム
JP6369787B2 (ja) 信号処理装置、検出装置、およびプログラム
JP2017006540A (ja) 心拍間隔特定プログラム、心拍間隔特定装置、及び心拍間隔特定方法
JPWO2023112295A5 (ja)
Godana et al. Estimating human movement parameters using a software radio-based radar
JP6296768B2 (ja) 生態検知装置及び生態検知方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13812758

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13812758

Country of ref document: EP

Kind code of ref document: A1