WO2022269800A1 - 動画像分析システム - Google Patents

動画像分析システム Download PDF

Info

Publication number
WO2022269800A1
WO2022269800A1 PCT/JP2021/023775 JP2021023775W WO2022269800A1 WO 2022269800 A1 WO2022269800 A1 WO 2022269800A1 JP 2021023775 W JP2021023775 W JP 2021023775W WO 2022269800 A1 WO2022269800 A1 WO 2022269800A1
Authority
WO
WIPO (PCT)
Prior art keywords
moving image
user
unit
analysis system
terminal
Prior art date
Application number
PCT/JP2021/023775
Other languages
English (en)
French (fr)
Inventor
渉三 神谷
Original Assignee
株式会社I’mbesideyou
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 株式会社I’mbesideyou filed Critical 株式会社I’mbesideyou
Priority to JP2023529315A priority Critical patent/JPWO2022269800A1/ja
Priority to PCT/JP2021/023775 priority patent/WO2022269800A1/ja
Publication of WO2022269800A1 publication Critical patent/WO2022269800A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working
    • H04N7/15—Conference systems

Definitions

  • the present invention relates to a moving image analysis system that analyzes participants' biological reactions based on moving images obtained from online sessions conducted by multiple participants.
  • Patent Document 1 A technique for analyzing the emotions others receive in response to a speaker's remarks (see Patent Document 1, for example).
  • Patent Document 2 For example.
  • Patent Document 3 A technique for chronologically analyzing changes in a subject's facial expression over a long period of time and estimating the emotions held during that period.
  • Patent Documents 3 to 5 There are also known techniques for identifying the factors that most affected changes in emotions (see Patent Documents 3 to 5, for example).
  • Patent Documents 3 to 5 There is also known a technique that compares the subject's usual facial expression with the current facial expression and issues an alert when the facial expression is dark (see Patent Document 6, for example).
  • Patent Document 6 There is also known a technique for determining the degree of emotion of a subject by comparing the subject's normal (expressionless) facial expression with the current facial expression (see, for example, Patent Documents 7 to 9).
  • Techniques for analyzing the emotions of an organization and the atmosphere felt by individuals within a group are also known (see Patent Documents 10 and 11, for example).
  • a moving image analysis system that analyzes reactions of users, comprising: a moving image acquiring unit that acquires a moving image obtained by photographing the user during the online session for each of the plurality of users; an analysis unit that analyzes changes in biological reactions of the user based on the moving image acquired by the acquisition unit; and a moving image processing unit that processes the moving image so as not to include an image.
  • FIG. 1 is an example of a functional block diagram of an evaluation terminal according to an embodiment of the present invention
  • FIG. 3 is a diagram showing functional configuration example 1 of the evaluation terminal according to the embodiment of the present invention
  • FIG. 8 is a diagram showing functional configuration example 2 of the evaluation terminal according to the embodiment of the present invention
  • FIG. 10 is a diagram showing a functional configuration example 3 of the evaluation terminal according to the embodiment of the present invention
  • 7 is a screen display example according to the functional configuration example 3 of FIG. 6.
  • FIG. FIG. 7 is another screen display example according to the functional configuration example 3 of FIG. 6.
  • FIG. FIG. 12 is a diagram showing another configuration of functional configuration example 3 of the evaluation terminal according to the embodiment of the present invention
  • FIG. 11 is a diagram showing another configuration of functional configuration example 3 of the evaluation terminal according to the embodiment of the present invention. It is a figure showing an example of functional composition of a system concerning this embodiment.
  • FIG. 4 is a diagram showing an example of a moving image processed and output by a moving image processing unit according to the embodiment; It is a figure which shows an example of the output mode by the evaluation output part which concerns on this embodiment.
  • the contents of the embodiments of the present disclosure are listed and described.
  • the present disclosure has the following configurations. (Item 1) In an environment where an online session is held by a plurality of users, the reaction of the user is analyzed based on a moving image obtained by photographing the user regardless of whether or not the user is displayed on a screen during the online session.
  • a moving image analysis system a moving image acquisition unit that acquires a moving image obtained by photographing the user during the online session for each of the plurality of users; an analysis unit that analyzes changes in biological reactions of the user based on the moving image acquired by the moving image acquisition unit; a moving image processing unit that processes data related to the moving image so as not to include the image of the user included in the moving image based on a predetermined condition;
  • a moving image analysis system (Item 2) The moving image analysis system according to item 1, The moving image analysis system, wherein the moving image processing unit performs the processing based on input information obtained by inputting to the terminal by the user.
  • the moving image analysis system according to item 2, further comprising a presentation unit that presents information on execution of processing related to processing by the moving image processing unit to the terminal of the user; The moving image analysis system, wherein the moving image processing unit performs the processing based on input information acquired by the user inputting the information presented by the presenting unit into the terminal.
  • the moving image analysis system according to any one of items 1 to 3, The moving image analysis system, wherein the moving image processing unit extracts only the sound contained in the moving image and generates a new moving image.
  • the moving image analysis system according to any one of items 1 to 3, The moving image processing unit performs processing to display an object corresponding to the image of the user included in the moving image instead of the image of the user.
  • the moving image analysis system according to any one of items 1 to 5, further comprising an output control unit that outputs the moving image to a terminal of each user participating in the online session;
  • the moving image processing unit processes a moving image obtained by photographing one user,
  • the output control unit outputs the moving image data processed by the moving image processing unit to a terminal of a user other than the one user, and outputs the data of the moving image processed by the moving image processing unit to the terminal of the one user.
  • a moving image analysis system that outputs unprocessed moving image data.
  • a video session in an environment where a video session (hereinafter referred to as an online session including one-way and two-way sessions) is held by a plurality of people, the person to be analyzed among the plurality of people is different from the others. It is a system that analyzes and evaluates specific emotions (feelings that occur in response to one's own or others' words and actions. pleasant/unpleasant, or their degree).
  • Online sessions are, for example, online meetings, online classes, online chats, etc. Terminals installed in multiple locations are connected to a server via a communication network such as the Internet, and moving images are transmitted between multiple terminals through the server. It's made to be interactable.
  • Moving images handled in online sessions include facial images and voices of users using terminals.
  • Moving images also include images such as materials that are shared and viewed by a plurality of users. It is possible to switch between the face image and the document image on the screen of each terminal to display only one of them, or to divide the display area and display the face image and the document image at the same time. In addition, it is possible to display the image of one user out of a plurality of users on the full screen, or divide the images of some or all of the users into small screens and display them. It is possible to designate one or a plurality of users among a plurality of users participating in an online session using terminals as analysis subjects.
  • an online session leader, moderator, or manager designates any user as an analysis subject.
  • Hosts of online sessions are, for example, instructors of online classes, chairpersons and facilitators of online meetings, coaches of sessions for coaching purposes, and the like.
  • An online session host is typically one of the users participating in the online session, but may be another person who does not participate in the online session. It should be noted that all participants may be subject to analysis without specifying the person to be analyzed.
  • an online session leader, moderator, or administrator hereinafter collectively referred to as the organizer to designate any user as an analysis subject.
  • Hosts of online sessions are, for example, instructors of online classes, chairpersons and facilitators of online meetings, coaches of sessions for coaching purposes, and the like.
  • An online session host is typically one of the users participating in the online session, but may be another person who does not participate in the online session.
  • the video session evaluation system displays at least moving images obtained from a video session established between a plurality of terminals.
  • the displayed moving image is acquired by the terminal, and at least a face image included in the moving image is identified for each predetermined frame unit. An evaluation value for the identified face image is then calculated.
  • the evaluation value is shared as necessary.
  • the acquired moving image is stored in the terminal, analyzed and evaluated on the terminal, and the result is provided to the user of the terminal. Therefore, for example, even a video session containing personal information or a video session containing confidential information can be analyzed and evaluated without providing the moving image itself to an external evaluation agency or the like.
  • the evaluation result evaluation value
  • the video session evaluation system includes user terminals 10 and 20 each having at least an input unit such as a camera unit and a microphone unit, a display unit such as a display, and an output unit such as a speaker. , a video session service terminal 30 for providing an interactive video session to the user terminals 10, 20, and an evaluation terminal 40 for performing part of the evaluation of the video session.
  • Each functional block, functional unit, and functional module described below can be configured by any of hardware, DSP (Digital Signal Processor), and software provided in a computer, for example.
  • DSP Digital Signal Processor
  • a computer CPU random access memory
  • RAM random access memory
  • ROM read-only memory
  • a series of processes by the systems and terminals described herein may be implemented using software, hardware, or a combination of software and hardware. It is possible to create a computer program for realizing each function of the information sharing support device 10 according to the present embodiment and implement it in a PC or the like. It is also possible to provide a computer-readable recording medium storing such a computer program.
  • the recording medium is, for example, a magnetic disk, an optical disk, a magneto-optical disk, a flash memory, or the like.
  • the above computer program may be distributed, for example, via a network without using a recording medium.
  • the evaluation terminal acquires a moving image from a video session service terminal, identifies at least a face image included in the moving image for each predetermined frame unit, and calculates an evaluation value for the face image ( will be described in detail later).
  • the video session service provided by the video session service terminal (hereinafter sometimes simply referred to as "this service") provides user terminals 10 and 20 with two-way images and voice. Communication is possible.
  • this service a moving image captured by the camera of the other user's terminal is displayed on the display of the user's terminal, and audio captured by the microphone of the other's user's terminal can be output from the speaker.
  • this service allows both or either of the user terminals to record moving images and sounds (collectively referred to as "moving images, etc.") in the storage unit of at least one of the user terminals. configured as possible.
  • the recorded moving image information Vs (hereinafter referred to as “recorded information”) is cached in the user terminal that started recording and is locally recorded only in one of the user terminals. If necessary, the user can view the recorded information by himself or share it with others within the scope of using this service.
  • FIG. 4 is a block diagram showing a configuration example according to this embodiment.
  • the video session evaluation system of this embodiment is implemented as a functional configuration of the user terminal 10.
  • the user terminal 10 has, as its functions, a moving image acquisition unit 11, a biological reaction analysis unit 12, a peculiar determination unit 13, a related event identification unit 14, a clustering unit 15, and an analysis result notification unit 16.
  • the moving image acquisition unit 11 acquires from each terminal a moving image obtained by photographing a plurality of people (a plurality of users) with a camera provided in each terminal during an online session. It does not matter whether the moving image acquired from each terminal is set to be displayed on the screen of each terminal. That is, the moving image acquisition unit 11 acquires moving images from each terminal, including moving images being displayed and moving images not being displayed on each terminal.
  • the biological reaction analysis unit 12 analyzes changes in the biological reaction of each of a plurality of people based on the moving images (whether or not they are being displayed on the screen) acquired by the moving image acquiring unit 11.
  • the biological reaction analysis unit 12 separates the moving image acquired by the moving image acquisition unit 11 into a set of images (collection of frame images) and voice, and analyzes changes in the biological reaction from each.
  • the biological reaction analysis unit 12 analyzes the user's facial image using a frame image separated from the moving image acquired by the moving image acquisition unit 11 to obtain at least one of facial expression, gaze, pulse, and facial movement. Analyze changes in biological reactions related to Further, the biological reaction analysis unit 12 analyzes the voice separated from the moving image acquired by the moving image acquisition unit 11 to analyze changes in the biological reaction related to at least one of the user's utterance content and voice quality.
  • the biological reaction analysis unit 12 calculates a biological reaction index value reflecting the change in biological reaction by quantifying the change in biological reaction according to a predetermined standard.
  • the analysis of changes in facial expressions is performed as follows. That is, for each frame image, a facial region is identified from the frame image, and the identified facial expressions are classified into a plurality of types according to an image analysis model machine-learned in advance. Then, based on the classification results, it analyzes whether positive facial expression changes occur between consecutive frame images, whether negative facial expression changes occur, and to what extent the facial expression changes occur, A facial expression change index value corresponding to the analysis result is output.
  • the analysis of changes in line of sight is performed as follows. That is, for each frame image, the eye region is specified in the frame image, and the orientation of both eyes is analyzed to analyze where the user is looking. For example, it analyzes whether the user is looking at the face of the speaker being displayed, whether the user is looking at the shared material being displayed, or whether the user is looking outside the screen. Also, it may be analyzed whether the eye movement is large or small, or whether the movement is frequent or infrequent. A change in line of sight is also related to the user's degree of concentration.
  • the biological reaction analysis unit 12 outputs a line-of-sight change index value according to the analysis result of the line-of-sight change.
  • the analysis of pulse changes is performed, for example, as follows. That is, for each frame image, the face area is specified in the frame image. Then, using a trained image analysis model that captures numerical values of face color information (G of RGB), changes in the G color of the face surface are analyzed. By arranging the results along the time axis, a waveform representing changes in color information is formed, and the pulse is identified from this waveform. When a person is tense, the pulse speeds up, and when the person is calm, the pulse slows down. The biological reaction analysis unit 12 outputs a pulse change index value according to the analysis result of the pulse change.
  • G of RGB face color information
  • analysis of changes in facial movement is performed as follows. That is, for each frame image, the face area is specified in the frame image, and the direction of the face is analyzed to analyze where the user is looking. For example, it analyzes whether the user is looking at the face of the speaker being displayed, whether the user is looking at the shared material being displayed, or whether the user is looking outside the screen. Further, it may be analyzed whether the movement of the face is large or small, or whether the movement is frequent or infrequent. The movement of the face and the movement of the line of sight may be analyzed together. For example, it may be analyzed whether the face of the speaker being displayed is viewed straight, whether the face is viewed with upward or downward gaze, or whether the face is viewed obliquely.
  • the biological reaction analysis unit 12 outputs a face orientation change index value according to the analysis result of the face orientation change.
  • Analysis of the contents of the statement is performed, for example, as follows. That is, the biological reaction analysis unit 12 converts the voice into a character string by performing known voice recognition processing on the voice for a specified time (for example, about 30 to 150 seconds), and morphologically analyzes the character string. By doing so, words such as particles and articles that are unnecessary for expressing conversation are removed. Then, vectorize the remaining words, analyze whether a positive emotional change has occurred, whether a negative emotional change has occurred, and to what extent the emotional change has occurred. Outputs the statement content index value.
  • Voice quality analysis is performed, for example, as follows. That is, the biological reaction analysis unit 12 identifies the acoustic features of the voice by performing known voice analysis processing on the voice for a specified time (for example, about 30 to 150 seconds). Then, based on the acoustic features, it analyzes whether a positive change in voice quality has occurred, whether a negative change in voice quality has occurred, and to what extent the change in voice quality has occurred, and according to the analysis results, output the voice quality change index value.
  • a specified time for example, about 30 to 150 seconds
  • the biological reaction analysis unit 12 uses at least one of the facial expression change index value, eye line change index value, pulse change index value, face direction change index value, statement content index value, and voice quality change index value calculated as described above. to calculate the biological reaction index value.
  • the biological reaction index value is calculated by weighting the facial expression change index value, eye line change index value, pulse change index value, face direction change index value, statement content index value, and voice quality change index value.
  • the peculiarity determination unit 13 determines whether or not the change in the analyzed biological reaction of the person to be analyzed is more specific than the change in the analyzed biological reaction of the person other than the person to be analyzed. In the present embodiment, the peculiarity determination unit 13 compares changes in the biological reaction of the person to be analyzed with those of others based on the biological reaction index values calculated for each of the plurality of users by the biological reaction analysis unit 12. is specific or not.
  • the peculiar determination unit 13 calculates the variance of the biological reaction index values calculated for each of the plurality of persons by the biological reaction analysis unit 12, and compares the biological reaction index values calculated for the analysis subject with the variance, It is determined whether or not the change in the analyzed biological reaction of the person to be analyzed is specific compared to others.
  • the following three patterns are conceivable as cases where the changes in biological reactions analyzed for the subject of analysis are more specific than those of others.
  • the first is a case where a relatively large change in biological reaction occurs in the subject of analysis, although no particularly large change in biological reaction has occurred in the other person.
  • the second is a case where a particularly large change in biological reaction has not occurred in the subject of analysis, but a relatively large change in biological reaction has occurred in the other person.
  • the third is a case where a relatively large change in biological reaction occurs in both the subject of analysis and the other person, but the content of the change differs between the subject of analysis and the other person.
  • the related event identification unit 14 identifies an event occurring in relation to at least one of the person to be analyzed, the other person, and the environment when the change in the biological reaction determined to be peculiar by the peculiarity determination unit 13 occurs. .
  • the related event identification unit 14 identifies from the moving image the speech and behavior of the person to be analyzed when a specific change in biological reaction occurs in the person to be analyzed.
  • the related event identifying unit 14 identifies, from the moving image, the speech and behavior of the other person when a specific change in the biological reaction of the person to be analyzed occurs.
  • the related event identification unit 14 identifies from the moving image the environment in which a specific change in the biological reaction of the person to be analyzed occurs.
  • the environment is, for example, the shared material being displayed on the screen, the background image of the person to be analyzed, and the like.
  • the clustering unit 15 clusters the change in the biological reaction determined to be specific by the peculiarity determination unit 13 (for example, one or a combination of eye gaze, pulse, facial movement, statement content, and voice quality), and the peculiarity Analyzing the degree of correlation with an event (event identified by the related event identification unit 14) that occurs when a change in biological reaction occurs, and if it is determined that the correlation is at a certain level or more , to cluster the subjects or events based on the correlation analysis results.
  • the peculiarity determination unit 13 for example, one or a combination of eye gaze, pulse, facial movement, statement content, and voice quality
  • the clustering unit 15 clusters the person to be analyzed or the event into one of a plurality of pre-segmented categories according to the content of the event, the degree of negativity, the magnitude of the correlation, and the like.
  • the clustering unit 15 clusters the person to be analyzed or the event into one of a plurality of pre-segmented classifications according to the content of the event, the degree of positivity, the degree of correlation, and the like.
  • the analysis result notification unit 16 reports at least one of the changes in the biological reaction determined to be specific by the peculiar determination unit 13, the event identified by the related event identification unit 14, and the classification clustered by the clustering unit 15. , to notify the designator of the subject of analysis (the subject of analysis or the organizer of the online session).
  • the analysis result notification unit 16 recognizes that when a change in a specific biological reaction that is different from that of the other person occurs in the person to be analyzed (one of the three patterns described above; the same applies hereinafter), the analysis target is Notifies the person to be analyzed of his/her own behavior. This allows the person to be analyzed to understand that he/she has a different feeling from others when he or she performs a certain behavior. At this time, the person to be analyzed may also be notified of the change in the specific biological reaction identified for the person to be analyzed. Furthermore, the person to be analyzed may be further notified of the change in the biological reaction of the other person to be compared.
  • the words and deeds of the person to be analyzed performed without being particularly conscious of their usual emotions, or the words and deeds of the person to be analyzed consciously accompanied by certain emotions, and the emotions and behaviors that others received
  • the emotion held by the person to be analyzed is different from the feeling held by the person to be analyzed at the time
  • the person to be analyzed is notified of the speech and behavior of the person to be analyzed at that time.
  • the analysis result notification unit 16 notifies the organizer of the online session of the event occurring when the person to be analyzed undergoes a specific change in biological reaction that is different from that of the other person, together with the change in the specific biological reaction. to notify.
  • the organizer of the online session can know what kind of event affects what kind of emotional change as a phenomenon specific to the specified analysis subject. Then, it becomes possible to perform appropriate treatment on the person to be analyzed according to the grasped contents.
  • the analysis result notification unit 16 notifies the organizer of the online session of the event occurring when a specific change in biological reaction occurs in the analysis subject, which is different from that of others, or the clustering result of the analysis subject. do.
  • online session organizers can grasp behavioral tendencies peculiar to analysis subjects and predict possible future behaviors and situations, depending on which classification the specified analysis subjects have been clustered into. be able to. Then, it becomes possible to take appropriate measures for the person to be analyzed.
  • the biological reaction index value is calculated by quantifying the change in biological reaction according to a predetermined standard, and the analysis subject is analyzed based on the biological reaction index value calculated for each of the plurality of people.
  • the biological reaction analysis unit 12 analyzes the movement of the line of sight for each of a plurality of people and generates a heat map indicating the direction of the line of sight.
  • the peculiar determination unit 13 compares the heat map generated for the person to be analyzed by the biological reaction analysis unit 12 with the heat map generated for the other person, so that the change in the biological reaction analyzed for the person to be analyzed It is determined whether it is specific compared with the change in biological response analyzed for.
  • moving images of a video session are stored in the local storage of the user terminal 10, and the above analysis is performed on the user terminal 10.
  • the machine specs of the user terminal 10 it is possible to analyze the moving image information without providing it to the outside.
  • the video session evaluation system of this embodiment may include a moving image acquisition unit 11, a biological reaction analysis unit 12, and a reaction information presentation unit 13a as functional configurations.
  • the reaction information presentation unit 13a presents information indicating changes in biological reactions analyzed by the biological reaction analysis unit 12a, including participants not displayed on the screen.
  • the reaction information presenting unit 13a presents information indicating changes in biological reactions to an online session leader, moderator, or administrator (hereinafter collectively referred to as the organizer).
  • Hosts of online sessions are, for example, instructors of online classes, chairpersons and facilitators of online meetings, coaches of sessions for coaching purposes, and the like.
  • An online session host is typically one of the users participating in the online session, but may be another person who does not participate in the online session.
  • the organizer of the online session can also grasp the state of the participants who are not displayed on the screen in an environment where the online session is held by multiple people.
  • FIG. 6 is a block diagram showing a configuration example according to this embodiment. As shown in FIG. 6, in the video session evaluation system of the present embodiment, functions similar to those of the above-described first embodiment are given the same reference numerals, and explanations thereof may be omitted.
  • the system includes a camera unit that acquires images of a video session, a microphone unit that acquires audio, an analysis unit that analyzes and evaluates moving images, and information obtained by evaluating the acquired moving images.
  • an object generator for generating a display object (described below) based on the display; and a display for displaying both the moving image of the video session and the display object during execution of the video session.
  • the analysis unit includes the moving image acquisition unit 11, the biological reaction analysis unit 12, the peculiar determination unit 13, the related event identification unit 14, the clustering unit 15, and the analysis result notification unit 16, as described above.
  • the function of each element is as described above.
  • the object generation unit generates an object 50 representing the recognized face part and the above-mentioned Information 100 indicating the content of the analysis/evaluation performed is superimposed on the moving image and displayed.
  • the object 50 may identify and display all faces of a plurality of persons when the faces of the plurality of persons are moved in the moving image.
  • the object 50 is, for example, when the camera function of the video session is stopped at the other party's terminal (that is, it is stopped by software within the application of the video session instead of physically covering the camera). If the other party's face is recognized by the other party's camera, the object 50 or the object 100 may be displayed in the part where the other party's face is located. This makes it possible for both parties to confirm that the other party is in front of the terminal even if the camera function is turned off. In this case, for example, in a video session application, the information obtained from the camera may be hidden while only the object 50 or object 100 corresponding to the face recognized by the analysis unit is displayed. Also, the video information acquired from the video session and the information recognized by the analysis unit may be divided into different display layers, and the layer relating to the former information may be hidden.
  • the objects 50 and 100 may be displayed in all areas or only in some areas. For example, as shown in FIG. 8, it may be displayed only on the moving image on the guest side.
  • the embodiments of the invention described in Basic Configuration Example 1 to Basic Configuration Example 3 described above may be implemented as a single device, or a plurality of devices (for example, cloud servers) partially or entirely connected by a network. and the like.
  • the control unit 110 and the storage 130 of each terminal 10 may be realized by different servers connected to each other via a network. That is, the system includes user terminals 10, 20, a video session service terminal 30 for providing an interactive video session to the user terminals 10, 20, and an evaluation terminal 40 for evaluating the video session, Variation combinations of the following configurations are conceivable. (1) Processing everything only on the user terminal As shown in FIG. 8, by performing the processing by the analysis unit on the terminal that is performing the video session (although a certain processing capacity is required), the video session can be performed.
  • an analysis unit may be provided in an evaluation terminal connected via a network or the like.
  • the moving images acquired by the user terminal are shared with the evaluation terminal at the same time as or after the video session, and are analyzed and evaluated by the analysis unit in the evaluation terminal.
  • the moving image data that is, information including at least analysis data
  • a moving image analysis system (hereinafter simply referred to as "system") according to an embodiment of the present disclosure shoots all participants or only a specific participant in an environment where an online session is held with a plurality of participants. Participants' reactions are analyzed based on the moving images obtained by this process. The analysis may occur whether or not participants are on screen during the online session.
  • the system analysis unit
  • the analysis unit statistically analyzes and outputs the content such as the amount and frequency of communication between users and their emotions at that time by analyzing moving images.
  • the analysis unit described above analyzes the content of the utterance based on not only the user's emotion but also the moving image described above.
  • Such analysis of the content of the utterance can be performed, for example, by a known speech analysis technique or natural language processing technique for moving images.
  • a system is realized that makes it possible to analyze one's own moving image data while not disclosing the moving image data of oneself to a third party.
  • FIG. 10 is a diagram showing an example of the functional configuration of the system according to this embodiment.
  • the system shown in FIG. 10 includes a moving image processing section 21, a presentation section 22, and an output control section .
  • the moving image processing unit 21, the presentation unit 22, and the output control unit 23 read a program stored in a storage medium or the like provided in, for example, the user terminals 10 and 20 or the evaluation terminal 40 into a memory or the like, and It can be realized by being executed by a processor.
  • the moving image processing unit 21 has a function of processing the data related to the moving image acquired from the moving image acquisition unit 11 so that the image of the user included in the moving image is not included based on a predetermined condition.
  • the moving image data referred to here may be moving image data generated as needed during the online session, or may be moving image data accumulated after the online session.
  • FIG. 11 is a diagram showing an example of a moving image processed and output by the moving image processing unit 21 according to this embodiment.
  • screen 1100 is a screen for displaying a review of moving images of an online session, and screen 1100 displays moving images 1101 showing each user who has participated in the online session.
  • the moving image 1101 displays the moving images of all the users who participated in the online session, for example, only at least one user who participated in the online session may be displayed.
  • the moving image processing unit 21 may perform processing to change and display an object corresponding to the image of the user. Specifically, as in the display of the moving image 1101 for User2 and User4 shown in FIG. Data may be processed.
  • the type of processing performed by the moving image processing unit 21 is not particularly limited as long as the processing is such that the image of the user is not included.
  • the moving image processing unit 21 may, for example, extract only the sound contained in the moving image and generate a new moving image. Specifically, the moving image processing unit 21 may process a moving image of only the user's voice, like the display of the moving image 1101 shown in FIG. 11 for User3.
  • the moving image processing unit 21 may process the moving image data based on input information acquired by the user's input to the user terminal. For example, if the user wants to avoid displaying the moving image data of himself/herself to a third party, the user permits the user terminals 10 and 20 to display his image of the moving image data of himself/herself. do not enter. The moving image processing unit 21 acquires the input information based on such input, and can process the moving image data.
  • the presentation unit 22 has a function of presenting to the user terminals 10 and 20 information regarding execution of processing related to processing by the moving image processing unit 21 .
  • Such information may include, for example, information regarding whether to approve or disapprove processing of moving image data, information for executing processing of processing moving image data, such as to which user the processed moving image is to be displayed.
  • the moving image processing unit 21 can process the information presented by the presentation unit 22 based on the input information obtained by the user inputting the information to the user terminal. As a result, the user can select whether the moving image data in which his or her image is displayed is public or private.
  • the output control unit 23 can have a function of outputting moving images to each of the user terminals 10 and 20 .
  • the output control unit 23 outputs the processed moving image to each of the user terminals 10 and 20 participating in the online session.
  • the output control unit 23 processes the user terminal of a user other than the one user. can be used to output the data of the processed moving image.
  • the data of the processed moving image may be output only to the user terminals of some other users.
  • unprocessed moving image data may be output to the user terminal of the one user.
  • moving image data when analyzing moving image data accumulated after an online session, such moving image data may be moving image data that has not been processed by the moving image processing unit 21 . That is, the moving image data processed by the moving image processing unit 21 can be data of moving images displayed for each user on the user terminals 10 and 20 . Unprocessed moving image data can be stored separately in the evaluation terminal 40, a server, or the like.
  • FIG. 12 is a flowchart showing an example of the flow of processing by the system according to this embodiment.
  • the moving image processing unit 21 acquires a moving image showing an image of one user in an online session (step S101). Then, the moving image processing unit 21 performs processing such that the image of the user included in the acquired moving image is not included (step S103).
  • the output control unit 23 can output the data of the processed moving image to each of the user terminals 10 and 20 (step S105).
  • moving image data including an image of one user can be processed so as not to include the image, and the processed moving image data can be output to terminals of other users. .
  • moving image data that does not include the image of the user can be delivered to the user terminal while enabling the analysis of the user's biological reaction such as facial expression. Therefore, for example, it is possible to obtain the biological reaction analysis result of the user while protecting the user's privacy from being seen by others. Therefore, the user can face the online session with peace of mind while analyzing the biological reaction in the online session.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】ユーザが安心して利用でき、より効率的なコミュニケーションを行うために、これらのコミュニケーションを客観的に評価すること。 【解決手段】本開示のシステムは、複数のユーザでオンラインセッションが行われる環境においてオンラインセッション中にユーザが画面に表示されているか否かによらず前記ユーザを撮影することによって得られる動画像をもとに前記ユーザの反応を分析する動画像分析システムであって、複数の前記ユーザの夫々について、前記オンラインセッション中に前記ユーザを撮影することによって得られる動画像を取得する動画像取得部と、前記動画像取得部により取得された動画像に基づいて、前記ユーザについて生体反応の変化を解析する解析部と、前記動画像に係るデータを、所定の条件に基づいて、前記動画像に含まれる前記ユーザの像を含まないように加工する動画像加工部と、を備えている。

Description

動画像分析システム
　本発明は、複数人の参加者で行われるオンラインセッションによって得られる動画像をもとに参加者の生体反応を解析する動画像分析システムに関する。
　発言者の発言に対して他者が受ける感情を解析する技術が知られている（例えば、特許文献１参照）。対象者の表情の変化を長期間にわたり時系列的に解析し、その間に抱いた感情を推定する技術も知られている（例えば、特許文献２参照）。感情の変化に最も影響を与えた要素を特定する技術も知られている（例えば、特許文献３～５参照）。対象者の普段の表情と現在の表情とを比較して、表情が暗い場合にアラートを発する技術も知られている（例えば、特許文献６参照）。対象者の平常時（無表情時）の表情と現在の表情とを比較して、対象者の感情の度合いを判定するようにした技術も知られている（例えば、特許文献７～９参照）。組織としての感情や、個人が感じるグループ内の雰囲気を分析する技術も知られている（例えば、特許文献１０、１１参照）。
特開２０１９－５８６２５号公報 特開２０１６－１４９０６３号公報 特開２０２０－８６５５９号公報 特開２０００－７６４２１号公報 特開２０１７－２０１４９９号公報 特開２０１８－１１２８３１号公報 特開２０１１－１５４６６５号公報 特開２０１２－８９４９号公報 特開２０１３－３００号公報 特開２０１１－１８６５２１号公報 ＷＯ１５／１７４４２６号公報
　上述したすべての技術は、現実空間におけるコミュニケーションが主である状況におけるサブ的な機能にすぎない。即ち、昨今の業務のＤＸ（Ｄｉｇｉｔａｌ　Ｔｒａｎｓｆｏｒｍａｔｉｏｎ）化や、世界的な感染症の流行等を受け、業務や授業等のコミュニケーションがオンラインで行われることが主とされる状況に生まれたものではない。
　本発明は、会議や講義等、オンラインコミュニケーションが主となる状況において、より効率的なコミュニケーションを行うために、コミュニケーションをとるユーザが安心して利用でき、かつこれらのコミュニケーションを客観的に評価することを目的とする。
　本発明によれば、複数のユーザでオンラインセッションが行われる環境においてオンラインセッション中にユーザが画面に表示されているか否かによらず前記ユーザを撮影することによって得られる動画像をもとに前記ユーザの反応を分析する動画像分析システムであって、複数の前記ユーザの夫々について、前記オンラインセッション中に前記ユーザを撮影することによって得られる動画像を取得する動画像取得部と、前記動画像取得部により取得された動画像に基づいて、前記ユーザについて生体反応の変化を解析する解析部と、前記動画像に係るデータを、所定の条件に基づいて、前記動画像に含まれる前記ユーザの像を含まないように加工する動画像加工部と、を備える動画像分析システムが得られる。
　本開示によれば、ユーザの像を含まない動画像は端末に表示させながら、ビデオセッションの動画像を分析評価することにより、特に内容に関する評価を客観的に行うことができる。
　特に、本発明によれば、オンラインコミュニケーションが主となる状況において、より効率的なコミュニケーションを行うために、コミュニケーションをとるユーザが安心して利用でき、かつ交わされたコミュニケーションを客観的に評価することができる。
本発明の実施の形態によるシステム全体図を示す図である。 本発明の実施の形態による評価端末の機能ブロック図の一例である。 本発明の実施の形態による評価端末の機能構成例１を示す図である。 本発明の実施の形態による評価端末の機能構成例２を示す図である。 本発明の実施の形態による評価端末の機能構成例３を示す図である。 図６の機能構成例３による画面表示例である。 図６の機能構成例３による他の画面表示例である。 本発明の実施の形態による評価端末の機能構成例３の他の構成を示す図である。 本発明の実施の形態による評価端末の機能構成例３の他の構成を示す図である。 本実施形態に係るシステムの機能構成の一例を示す図である。 本実施形態に係る動画像加工部により加工されて出力された動画像の一例を示す図である。 本実施形態に係る評価出力部による出力態様の一例を示す図である。
　本開示の実施形態の内容を列記して説明する。本開示は、以下のような構成を備える。
（項目１）
　複数のユーザでオンラインセッションが行われる環境においてオンラインセッション中にユーザが画面に表示されているか否かによらず前記ユーザを撮影することによって得られる動画像をもとに前記ユーザの反応を分析する動画像分析システムであって、
　複数の前記ユーザの夫々について、前記オンラインセッション中に前記ユーザを撮影することによって得られる動画像を取得する動画像取得部と、
　前記動画像取得部により取得された動画像に基づいて、前記ユーザについて生体反応の変化を解析する解析部と、
　前記動画像に係るデータを、所定の条件に基づいて、前記動画像に含まれる前記ユーザの像を含まないように加工する動画像加工部と、
　を備える動画像分析システム。
（項目２）
　項目１に記載の動画像分析システムであって、
　前記動画像加工部は、前記ユーザによる端末への入力により取得される入力情報に基づいて前記加工を行う、動画像分析システム。
（項目３）
　項目２に記載の動画像分析システムであって、
　前記ユーザの端末に対して、前記動画像加工部による加工に係る処理の実行に関する情報を提示する提示部をさらに備え、
　前記動画像加工部は、前記提示部により提示された前記情報に対する前記ユーザによる端末への入力により取得される入力情報に基づいて、前記加工を行う、動画像分析システム。
（項目４）
　項目１～３のいずれか１項に記載の動画像分析システムであって、
　前記動画像加工部は、前記動画像に含まれる音声のみを抽出し、新たな動画像として生成する、動画像分析システム。
（項目５）
　項目１～３のいずれか１項に記載の動画像分析システムであって、
　前記動画像加工部は、前記動画像に含まれるユーザの像に対応するオブジェクトを前記ユーザの像に代えて表示させる加工を行う、動画像分析システム。
（項目６）
　項目１～５のいずれか１項に記載の動画像分析システムであって、
　前記動画像を前記オンラインセッションに参加する各ユーザの端末に出力する出力制御部をさらに備え、
　前記動画像加工部は、一のユーザを撮影することによって得られる動画像に対して加工を行い、
　前記出力制御部は、前記一のユーザ以外のユーザの端末に対して、前記動画像加工部により加工された動画像のデータを出力し、前記一のユーザの端末に対して、前記動画像加工部による加工がなされていない動画像のデータを出力する、動画像分析システム。
　以下に添付図面を参照しながら、本開示の好適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。
　＜基本機能＞
　本実施形態のビデオセッション評価システムは、複数人でビデオセッション（以下、一方向及び双方向含めてオンラインセッションという）が行われる環境において、当該複数人の中の解析対象者について他者とは異なる特異的な感情（自分または他人の言動に対して起こる気持ち。快・不快またはその程度など）を解析し評価するシステムである。オンラインセッションは、例えばオンライン会議、オンライン授業、オンラインチャットなどであり、複数の場所に設置された端末をインターネットなどの通信ネットワークを介してサーバに接続し、当該サーバを通じて複数の端末間で動画像をやり取りできるようにしたものである。オンラインセッションで扱う動画像には、端末を使用するユーザの顔画像や音声が含まれる。また、動画像には、複数のユーザが共有して閲覧する資料などの画像も含まれる。各端末の画面上に顔画像と資料画像とを切り替えて何れか一方のみを表示させたり、表示領域を分けて顔画像と資料画像とを同時に表示させたりすることが可能である。また、複数人のうち１人の画像を全画面表示させたり、一部または全部のユーザの画像を小画面に分割して表示させたりすることが可能である。端末を使用してオンラインセッションに参加する複数のユーザのうち、何れか１人または複数人を解析対象者として指定することが可能である。例えば、オンラインセッションの主導者、進行者または管理者（以下、まとめて主催者という）が何れかのユーザを解析対象者として指定する。オンラインセッションの主催者は、例えばオンライン授業の講師、オンライン会議の議長やファシリテータ、コーチングを目的としたセッションのコーチなどである。オンラインセッションの主催者は、オンラインセッションに参加する複数のユーザの中の一人であるのが普通であるが、オンラインセッションに参加しない別人であってもよい。なお、解析対象者を指定せず全ての参加者を解析対象としてもよい。また、オンラインセッションの主導者、進行者または管理者（以下、まとめて主催者という）が何れかのユーザを解析対象者として指定することも可能である。オンラインセッションの主催者は、例えばオンライン授業の講師、オンライン会議の議長やファシリテータ、コーチングを目的としたセッションのコーチなどである。オンラインセッションの主催者は、オンラインセッションに参加する複数のユーザの中の一人であるのが普通であるが、オンラインセッションに参加しない別人であってもよい。
　本実施の形態によるビデオセッション評価システムは、複数の端末間においてビデオセッションセッションが確立された場合に、当該ビデオセッションから取得される少なくとも動画像を表示される。表示された動画像は、端末によって取得され、動画像内に含まれる少なくとも顔画像を所定のフレーム単位ごとに識別される。その後、識別された顔画像に関する評価値が算出される。当該評価値は必要に応じて共有される。特に、本実施の形態においては、取得した動画像は当該端末に保存され、端末上で分析評価され、その結果が当該端末のユーザに提供される。従って、例えば個人情報を含むビデオセッションや機密情報を含むビデオセッションであっても、その動画自体を外部の評価機関等に提供することなく分析評価できる。また、必要に応じて、当該評価結果（評価値）だけを外部端末に提供することによって、結果を可視化したり、クロス分析等行うことができる。
　図１に示されるように、本実施の形態によるビデオセッション評価システムは、少なくともカメラ部及びマイク部等の入力部と、ディスプレイ等の表示部とスピーカー等の出力部とを有するユーザ端末１０、２０と、ユーザ端末１０、２０に双方向のビデオセッションを提供するビデオセッションサービス端末３０と、ビデオセッションに関する評価の一部を行う評価端末４０とを備えている。
＜ハードウェア構成例＞
　以下に説明する各機能ブロック、機能単位、機能モジュールは、例えばコンピュータに備えられたハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。本明細書において説明するシステム及び端末による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。本実施形態に係る情報共有支援装置１０の各機能を実現するためのコンピュータプログラムを作製し、ＰＣ等に実装することが可能である。また、このようなコンピュータプログラムが格納された、コンピュータで読み取り可能な記録媒体も提供することが可能である。記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。
　本実施の形態による評価端末は、ビデオセッションサービス端末から動画像を取得し、当該動画像内に含まれる少なくとも顔画像を所定のフレーム単位ごとに識別すると共に、顔画像に関する評価値を算出する（詳しくは後述する）。
＜動画の取得方法＞
　図２に示されるように、ビデオセッションサービス端末が提供するビデオセッションサービス（以下、単に「本サービス」と言うことがある」）は、ユーザ端末１０、２０に対して双方向に画像および音声によって通信が可能となるものである。本サービスは、ユーザ端末のディスプレイに相手のユーザ端末のカメラ部で取得した動画像を表示し、相手のユーザ端末のマイク部で取得した音声をスピーカーから出力可能となっている。また、本サービスは双方の又はいずれかのユーザ端末によって、動画像及び音声（これらを合わせて「動画像等」という）を少なくともいずれかのユーザ端末上の記憶部に記録（レコーディング）することが可能に構成されている。記録された動画像情報Ｖｓ（以下「記録情報」という）は、記録を開始したユーザ端末にキャッシュされつついずれかのユーザ端末のローカルのみに記録されることとなる。ユーザは、必要があれば当該記録情報を本サービスの利用の範囲内で自分で視聴、他者に共有等行うこともできる。
＜機能構成例１＞
　図４は、本実施形態による構成例を示すブロック図である。図４に示すように、本実施形態のビデオセッション評価システムは、ユーザ端末１０が有する機能構成として実現される。すなわち、ユーザ端末１０はその機能として、動画像取得部１１、生体反応解析部１２、特異判定部１３、関連事象特定部１４、クラスタリング部１５および解析結果通知部１６を備えている。
　動画像取得部１１は、オンラインセッション中に各端末が備えるカメラにより複数人（複数のユーザ）を撮影することによって得られる動画像を各端末から取得する。各端末から取得する動画像は、各端末の画面上に表示されるように設定されているものか否かは問わない。すなわち、動画像取得部１１は、各端末に表示中の動画像および非表示中の動画像を含めて、動画像を各端末から取得する。
　生体反応解析部１２は、動画像取得部１１により取得された動画像（画面上に表示中のものか否かは問わない）に基づいて、複数人のそれぞれについて生体反応の変化を解析する。本実施形態において生体反応解析部１２は、動画像取得部１１により取得された動画像を画像のセット（フレーム画像の集まり）と音声とに分離し、それぞれから生体反応の変化を解析する。
　例えば、生体反応解析部１２は、動画像取得部１１により取得された動画像から分離したフレーム画像を用いてユーザの顔画像を解析することにより、表情、目線、脈拍、顔の動きの少なくとも１つに関する生体反応の変化を解析する。また、生体反応解析部１２は、動画像取得部１１により取得された動画像から分離した音声を解析することにより、ユーザの発言内容、声質の少なくとも１つに関する生体反応の変化を解析する。
　人は感情が変化すると、それが表情、目線、脈拍、顔の動き、発言内容、声質などの生体反応の変化となって現れる。本実施形態では、ユーザの生体反応の変化を解析することを通じて、ユーザの感情の変化を解析する。本実施形態において解析する感情は、一例として、快／不快の程度である。本実施形態において生体反応解析部１２は、生体反応の変化を所定の基準に従って数値化することにより、生体反応の変化の内容を反映させた生体反応指標値を算出する。
　表情の変化の解析は、例えば以下のようにして行う。すなわち、フレーム画像ごとに、フレーム画像の中から顔の領域を特定し、事前に機械学習させた画像解析モデルに従って特定した顔の表情を複数に分類する。そして、その分類結果に基づいて、連続するフレーム画像間でポジティブな表情変化が起きているか、ネガティブな表情変化が起きているか、およびどの程度の大きさの表情変化が起きているかを解析し、その解析結果に応じた表情変化指標値を出力する。
　目線の変化の解析は、例えば以下のようにして行う。すなわち、フレーム画像ごとに、フレーム画像の中から目の領域を特定し、両目の向きを解析することにより、ユーザがどこを見ているかを解析する。例えば、表示中の話者の顔を見ているか、表示中の共有資料を見ているか、画面の外を見ているかなどを解析する。また、目線の動きが大きいか小さいか、動きの頻度が多いか少ないかなどを解析するようにしてもよい。目線の変化はユーザの集中度にも関連する。生体反応解析部１２は、目線の変化の解析結果に応じた目線変化指標値を出力する。
　脈拍の変化の解析は、例えば以下のようにして行う。すなわち、フレーム画像ごとに、フレーム画像の中から顔の領域を特定する。そして、顔の色情報（ＲＧＢのＧ）の数値を捉える学習済みの画像解析モデルを用いて、顔表面のＧ色の変化を解析する。その結果を時間軸に合わせて並べることによって色情報の変化を表した波形を形成し、この波形から脈拍を特定する。人は緊張すると脈拍が速くなり、気持ちが落ち着くと脈拍が遅くなる。生体反応解析部１２は、脈拍の変化の解析結果に応じた脈拍変化指標値を出力する。
　顔の動きの変化の解析は、例えば以下のようにして行う。すなわち、フレーム画像ごとに、フレーム画像の中から顔の領域を特定し、顔の向きを解析することにより、ユーザがどこを見ているかを解析する。例えば、表示中の話者の顔を見ているか、表示中の共有資料を見ているか、画面の外を見ているかなどを解析する。また、顔の動きが大きいか小さいか、動きの頻度が多いか少ないかなどを解析するようにしてもよい。顔の動きと目線の動きとを合わせて解析するようにしてもよい。例えば、表示中の話者の顔をまっすぐ見ているか、上目遣いまたは下目使いに見ているか、斜めから見ているかなどを解析するようにしてもよい。生体反応解析部１２は、顔の向きの変化の解析結果に応じた顔向き変化指標値を出力する。
　発言内容の解析は、例えば以下のようにして行う。すなわち、生体反応解析部１２は、指定した時間（例えば、３０～１５０秒程度の時間）の音声について公知の音声認識処理を行うことによって音声を文字列に変換し、当該文字列を形態素解析することにより、助詞、冠詞などの会話を表す上で不要なワードを取り除く。そして、残ったワードをベクトル化し、ポジティブな感情変化が起きているか、ネガティブな感情変化が起きているか、およびどの程度の大きさの感情変化が起きているかを解析し、その解析結果に応じた発言内容指標値を出力する。
　声質の解析は、例えば以下のようにして行う。すなわち、生体反応解析部１２は、指定した時間（例えば、３０～１５０秒程度の時間）の音声について公知の音声解析処理を行うことによって音声の音響的特徴を特定する。そして、その音響的特徴に基づいて、ポジティブな声質変化が起きているか、ネガティブな声質変化が起きているか、およびどの程度の大きさの声質変化が起きているかを解析し、その解析結果に応じた声質変化指標値を出力する。
　生体反応解析部１２は、以上のようにして算出した表情変化指標値、目線変化指標値、脈拍変化指標値、顔向き変化指標値、発言内容指標値、声質変化指標値の少なくとも１つを用いて生体反応指標値を算出する。例えば、表情変化指標値、目線変化指標値、脈拍変化指標値、顔向き変化指標値、発言内容指標値および声質変化指標値を重み付け計算することにより、生体反応指標値を算出する。
　特異判定部１３は、解析対象者について解析された生体反応の変化が、解析対象者以外の他者について解析された生体反応の変化と比べて特異的か否かを判定する。本実施形態において、特異判定部１３は、生体反応解析部１２により複数のユーザのそれぞれについて算出された生体反応指標値に基づいて、解析対象者について解析された生体反応の変化が他者と比べて特異的か否かを判定する。
　例えば、特異判定部１３は、生体反応解析部１２により複数人のそれぞれについて算出された生体反応指標値の分散を算出し、解析対象者について算出された生体反応指標値と分散との対比により、解析対象者について解析された生体反応の変化が他者と比べて特異的か否かを判定する。
　解析対象者について解析された生体反応の変化が他者と比べて特異的である場合として、次の３パターンが考えられる。１つ目は、他者については特に大きな生体反応の変化が起きていないが、解析対象者について比較的大きな生体反応の変化が起きた場合である。２つ目は、解析対象者については特に大きな生体反応の変化が起きていないが、他者について比較的大きな生体反応の変化が起きた場合である。３つ目は、解析対象者についても他者についても比較的大きな生体反応の変化が起きているが、変化の内容が解析対象者と他者とで異なる場合である。
　関連事象特定部１４は、特異判定部１３により特異的であると判定された生体反応の変化が起きたときに解析対象者、他者および環境の少なくとも１つに関して発生している事象を特定する。例えば、関連事象特定部１４は、解析対象者について特異的な生体反応の変化が起きたときにおける解析対象者自身の言動を動画像から特定する。また、関連事象特定部１４は、解析対象者について特異的な生体反応の変化が起きたときにおける他者の言動を動画像から特定する。また、関連事象特定部１４は、解析対象者について特異的な生体反応の変化が起きたときにおける環境を動画像から特定する。環境は、例えば画面に表示中の共有資料、解析対象者の背景に写っているものなどである。
　クラスタリング部１５は、特異判定部１３により特異的であると判定された生体反応の変化（例えば、目線、脈拍、顔の動き、発言内容、声質のうち１つまたは複数の組み合わせ）と、当該特異的な生体反応の変化が起きたときに発生している事象（関連事象特定部１４により特定された事象）との相関の程度を解析し、相関が一定レベル以上であると判定された場合に、その相関の解析結果に基づいて解析対象者または事象をクラスタリングする。
　例えば、特異的な生体反応の変化がネガティブな感情変化に相当するものであり、当該特異的な生体反応の変化が起きたときに発生している事象もネガティブな事象である場合には一定レベル以上の相関が検出される。クラスタリング部１５は、その事象の内容やネガティブな度合い、相関の大きさなどに応じて、あらかじめセグメント化した複数の分類の何れかに解析対象者または事象をクラスタリングする。
　同様に、特異的な生体反応の変化がポジティブな感情変化に相当するものであり、当該特異的な生体反応の変化が起きたときに発生している事象もポジティブな事象である場合には一定レベル以上の相関が検出される。クラスタリング部１５は、その事象の内容やポジティブな度合い、相関の大きさなどに応じて、あらかじめセグメント化した複数の分類の何れかに解析対象者または事象をクラスタリングする。
　解析結果通知部１６は、特異判定部１３により特異的であると判定された生体反応の変化、関連事象特定部１４により特定された事象、およびクラスタリング部１５によりクラスタリングされた分類の少なくとも１つを、解析対象者の指定者（解析対象者またはオンラインセッションの主催者）に通知する。
　例えば、解析結果通知部１６は、解析対象者について他者とは異なる特異的な生体反応の変化が起きたとき（上述した３パターンの何れか。以下同様）に発生している事象として解析対象者自身の言動を解析対象者自身に通知する。これにより、解析対象者は、自分がある言動を行ったときに他者とは違う感情を持っていることを把握することができる。このとき、解析対象者について特定された特異的な生体反応の変化も併せて解析対象者に通知するようにしてもよい。さらに、対比される他者の生体反応の変化を更に解析対象者に通知するようにしてもよい。
　例えば、解析対象者が普段どおりの感情で特に意識せずに行った言動、または、解析対象者がある感情を伴って特に意識して行った言動に対して他者が受けた感情と、言動の際に解析対象者自身が抱いていた感情とが相違している場合に、そのときの解析対象者自身の言動が解析対象者に通知される。これにより、自分の意識に反して他者の受けが良い言動や他者の受けが良くない言動などを発見することも可能である。
　また、解析結果通知部１６は、解析対象者について他者とは異なる特異的な生体反応の変化が起きたときに発生している事象を、特異的な生体反応の変化と共にオンラインセッションの主催者に通知する。これにより、オンラインセッションの主催者は、指定した解析対象者に特有の現象として、どのような事象がどのような感情の変化に影響を与えているのかを知ることができる。そして、その把握した内容に応じて適切な処置を解析対象者に対して行うことが可能となる。
　また、解析結果通知部１６は、解析対象者について他者とは異なる特異的な生体反応の変化が起きたときに発生している事象または解析対象者のクラスタリング結果をオンラインセッションの主催者に通知する。これにより、オンラインセッションの主催者は、指定した解析対象者がどの分類にクラスタリングされたかによって、解析対象者に特有の行動の傾向を把握したり、今後起こり得る行動や状態などを予測したりすることができる。そして、それに対して適切な処置を解析対象者に対して行うことが可能となる。
　なお、上記実施形態では、生体反応の変化を所定の基準に従って数値化することによって生体反応指標値を算出し、複数人のそれぞれについて算出された生体反応指標値に基づいて、解析対象者について解析された生体反応の変化が他者と比べて特異的か否かを判定する例について説明したが、この例に限定されない。例えば、以下のようにしてもよい。
　すなわち、生体反応解析部１２は、複数人のそれぞれについて目線の動きを解析して目線の方向を示すヒートマップを生成する。特異判定部１３は、生体反応解析部１２により解析対象者について生成されたヒートマップと他者について生成されたヒートマップとの対比により、解析対象者について解析された生体反応の変化が、他者について解析された生体反応の変化と比べて特異的か否かを判定する。
　このように、本実施の形態においては、ビデオセッションの動画像をユーザ端末１０のローカルストレージに保存し、ユーザ端末１０上で上述した分析を行うこととしている。ユーザ端末１０のマシンスペックに依存する可能性があるとはいえ、動画像の情報を外部に提供することなく分析することが可能となる。
＜機能構成例２＞
　図５に示すように、本実施形態のビデオセッション評価システムは、機能構成として、動画像取得部１１、生体反応解析部１２および反応情報提示部１３ａを備えていてもよい。
　反応情報提示部１３ａは、画面に表示されていない参加者を含めて生体反応解析部１２ａにより解析された生体反応の変化を示す情報を提示する。例えば、反応情報提示部１３ａは、生体反応の変化を示す情報をオンラインセッションの主導者、進行者または管理者（以下、まとめて主催者という）に提示する。オンラインセッションの主催者は、例えばオンライン授業の講師、オンライン会議の議長やファシリテータ、コーチングを目的としたセッションのコーチなどである。オンラインセッションの主催者は、オンラインセッションに参加する複数のユーザの中の一人であるのが普通であるが、オンラインセッションに参加しない別人であってもよい。
　このようにすることにより、オンラインセッションの主催者は、複数人でオンラインセッションが行われる環境において、画面に表示されていない参加者の様子も把握することができる。
＜機能構成例３＞
　図６は、本実施形態による構成例を示すブロック図である。図６に示すように、本実施形態のビデオセッション評価システムは、機能構成として、上述した実施の形態１と類似する機能については同一つの参照符号を付して説明を省略することがある。
　本実施の形態によるシステムは、ビデオセッションの映像を取得するカメラ部及び音声を取得するマイク部と、動画像を分析及び評価する解析部、取得した動画像を評価することによって得られた情報に基づいて表示オブジェクト（後述する）を生成するオブジェクト生成部、前記ビデオセッション実行中にビデオセッションの動画像と表示オブジェクトの両方を表示する表示部と、を備えている。
　解析部は、上述した説明と同様に、動画像取得部１１、生体反応解析部１２、特異判定部１３、関連事象特定部１４、クラスタリング部１５および解析結果通知部１６を備えている。各要素の機能については上述したとおりである。
　図７に示されるように、オブジェクト生成部は、解析部によってビデオセッションから取得される動画像を解析した結果に基づいて、必要に応じて、当該認識した顔の部分を示すオブジェクト５０と、上述した分析・評価した内容を示す情報１００を当該動画像に重畳して表示する。当該オブジェクト５０は、複数人の顔が動画像内に移っている場合には、複数人全員の顔を識別し、表示することとしてもよい。
　また、オブジェクト５０は、例えば、相手側の端末において、ビデオセッションのカメラ機能を停止している場合（即ち、物理的にカメラを覆う等ではなく、ビデオセッションのアプリケーション内においてソフトウェア的に停止している場合）であっても、相手側のカメラで相手の顔を認識していた場合には、相手の顔が位置している部分にオブジェクト５０やオブジェクト１００を表示することとしてもよい。これにより、カメラ機能がオフになっていたとしても、相手側が端末の前にいることがお互い確認することが可能となる。この場合、例えば、ビデオセッションのアプリケーションにおいては、カメラから取得した情報を非表示にする一方、解析部によって認識された顔に対応するオブジェクト５０やオブジェクト１００のみを表示することとしてもよい。また、ビデオセッションから取得される映像情報と、解析部によって認識され得られた情報とを異なる表示レイヤーに分け、前者の情報に関するレイヤーを非表示にすることとしてもよい。
　オブジェクト５０やオブジェクト１００は、複数の動画像を表示する領域がある場合には、すべての領域又は一部の領域のみに表示することとしてもよい。例えば、図８に示されるように、ゲスト側の動画像のみに表示することとしてもよい。
　以上説明した基本構成例１乃至基本構成例３において説明した発明の実施の形態は、単独の装置として実現されてもよく、一部または全部がネットワークで接続された複数の装置（例えばクラウドサーバ）等により実現されてもよい。例えば、各端末１０の制御部１１０およびストレージ１３０は、互いにネットワークで接続された異なるサーバにより実現されてもよい。即ち、本システムは、ユーザ端末１０、２０と、ユーザ端末１０、２０に双方向のビデオセッションを提供するビデオセッションサービス端末３０と、ビデオセッションに関する評価を行う評価端末４０とを含んでいるところ、以下のような構成のバリエーション組み合わせが考えられる。
（１）すべてをユーザ端末のみで処理
　図８に示されるように、解析部による処理をビデオセッションを行っている端末で行うことにより、（一定の処理能力は必要なものの）ビデオセッションを行っている時間と同時に（リアルタイムに）分析・評価結果を得ることができる。
（２）ユーザ端末と評価端末とで処理
　図９に示されるように、ネットワーク等で接続された評価端末に解析部を備えさせることとしてもよい。この場合、ユーザ端末で取得された動画像は、ビデオセッションと同時に又は事後的に評価端末に共有され、評価端末における解析部によって分析・評価されたのちに、オブジェクト５０及びオブジェクト１００の情報がユーザ端末に動画像データと共に又は別に（即ち、少なくとも解析データを含む情報が）共有され表示部に表示される。
　上述した機能構成例１乃至機能構成例３の各構成又はそれらの組み合わせを用いて、以下のシステムが実現する。
＜実施の形態＞
　本開示の一実施形態による動画像分析システム（以下、単に「システム」という）は、複数人の参加者でオンラインセッションが行われる環境において、当該参加者の全員又は特定の参加者のみを撮影することによって得られる動画像をもとに参加者の反応を解析・分析するものである。分析は、オンラインセッション中に参加者が画面に表示されているか否かによらず行われるものとしてもよい。例えば、本実施形態に係るシステム（解析部）は、動画像を分析することにより、ユーザ同士のコミュニケーションの量や頻度、そのときの感情といった内容を統計的に分析して出力する。また、上述した解析部は、ユーザの感情だけではなく、上記の動画像に基づいて発言の内容を解析する。かかる発言の内容の解析は、例えば動画像に対する公知の音声解析技術や自然言語処理技術により行われ得る。
　ユーザの反応の解析や分析を行うため、実際のオンラインセッションにおいてはユーザが映る自らの動画を撮る必要がある一方で、他社には自らの映る動画を公開したくない場合がある。また、動画像データがレコーディングにより保存される場合においても、第三者に自らが映る動画像を開示したくない場合がある。
　そこで、本実施形態では、自らの動画像データを解析可能としつつ、第三者に自らが映る動画像データを開示しないようにすることが可能となるシステムを実現する。
　図１０は、本実施形態に係るシステムの機能構成の一例を示す図である。図１０に示すシステムは、動画像加工部２１と、提示部２２と、出力制御部２３とを備える。動画像加工部２１と、提示部２２と、出力制御部２３とは、例えばユーザ端末１０、２０や、評価端末４０などに設けられる記憶媒体等に記憶されるプログラムをメモリ等に読み込みＣＰＵ等のプロセッサが実行することにより実現され得る。
　動画像加工部２１は、動画像取得部１１から取得した動画像に係るデータを、所定の条件に基づいて、動画像に含まれるユーザの像を含まないように加工する機能を有する。ここでいう動画像データは、オンラインセッション中に随時生成される動画像データであってもよいし、オンラインセッション後に蓄積された動画像データであってもよい。
　図１１は、本実施形態に係る動画像加工部２１により加工されて出力された動画像の一例を示す図である。図１１に示すように、画面１１００は、オンラインセッションの動画像のレビューを表示するための画面であり、画面１１００には、オンラインセッションに参加した各ユーザを映す動画像１１０１が表示されている。なお、動画像１１０１にはオンラインセッションに参加した全員の動画像が表示されているが、例えば、オンラインセッションに参加した少なくとも一のユーザだけを表示するものであってもよい。
　動画像加工部２１は、例えば、動画像に含まれるユーザの像に代えて、ユーザの像に対応するオブジェクトに変更して表示させる加工を行ってもよい。具体的には、図１１に示す動画像１１０１のＵｓｅｒ２やＵｓｅｒ４における表示のように、動画像加工部２１は、ユーザの像に代えてユーザのシルエットやキャラクタ等のオブジェクトとなるように、動画像データを加工してもよい。ユーザの像が含まれないようにする加工であれば、動画像加工部２１による加工処理の種類は特に限定されない。
　また、動画像加工部２１は、例えば、動画像に含まれる音声のみを抽出し、新たな動画像として生成してもよい。具体的には、図１１に示す動画像１１０１のＵｓｅｒ３における表示のように、動画像加工部２１は、ユーザの音声のみの動画像を加工してもよい。
　また、動画像加工部２１は、ユーザによるユーザ端末への入力により取得される入力情報に基づいて動画像データの加工を行ってもよい。例えば、ユーザが自分が映った動画像データの第三者への表示を避けたい場合は、ユーザは、ユーザ端末１０、２０に対して自分が映った動画像データの自分の像の表示を許可しないための入力を行う。かかる入力に基づく入力情報を動画像加工部２１は取得し、動画像データの加工を行い得る。
　提示部２２は、ユーザ端末１０、２０に対して、動画像加工部２１による加工に係る処理の実行に関する情報を提示する機能を有する。かかる情報は、例えば、動画像データの加工の諾否に関する情報や、どのユーザに対して加工した動画像を表示するか等、動画像データの加工の処理の実行のための情報を含みうる。動画像加工部２１は、提示部２２により提示された情報に対するユーザによるユーザ端末への入力により取得される入力情報に基づいて、加工を行い得る。これにより、ユーザは自分の像が映る動画像データを公開するか非公開とするかを選択することができる。
　出力制御部２３は、動画像を各ユーザ端末１０、２０に出力する機能を有しうる。例えば、オンラインセッション中において表示される動画像データを動画像加工部２１が加工する場合、出力制御部２３は、加工された動画像をオンラインセッションに参加する各ユーザ端末１０、２０に出力する。
　具体的には、動画像加工部２１が、一のユーザを撮影することによって得られる動画像に対して加工を行った場合、出力制御部２３は、一のユーザ以外のユーザのユーザ端末に対して、加工された動画像のデータを出力しうる。このとき、一部の他のユーザのユーザ端末にのみ、加工された動画像のデータが出力されてもよい。また、上記一のユーザのユーザ端末には、加工されていない動画像のデータが出力されてもよい。これにより、オンラインセッションにおいて自らの表情等は確認しつつ、自らの像を公開したくない第三者に対して公開しないようにすることができる。
　なお、オンラインセッション後に蓄積される動画像データを解析する場合においては、かかる動画像データは動画像加工部２１による処理がなされていない動画像データでありうる。すなわち、動画像加工部２１により加工処理がなされた動画像データは、ユーザ端末１０、２０において各ユーザに対して表示される動画像のデータであり得る。加工されていない動画像データは、別途評価端末４０やサーバ等に格納されうる。
　図１２は、本実施形態に係るシステムによる処理の流れの一例を示すフローチャートである。まず、動画像加工部２１は、オンラインセッションの一のユーザの像が映る動画像を取得する（ステップＳ１０１）。そして、動画像加工部２１は、取得した動画像中に含まれるユーザの像を含まないように加工処理を行う（ステップＳ１０３）。
　次に、出力制御部２３は、加工された動画像のデータを各ユーザ端末１０、２０に出力しうる（ステップＳ１０５）。
　以上、本開示の一実施形態によれば、一のユーザの像を含む動画像データを加工して像を含まないようにし、他のユーザの端末等に加工後の動画像データを出力し得る。これにより、ユーザの表情等の生体反応の解析は可能にしつつ、ユーザ端末に対してはユーザの像を含まない動画像データが配信され得る。よって、例えば自分が映っている姿を他人に見られることなくプライバシーを保護しつつ、かかるユーザの生体反応解析結果を得ることができる。ゆえに、オンラインセッションにおける生体反応解析を行いつつ、ユーザは安心してオンラインセッションに臨むことが可能となる。
　本明細書においてフローチャート図を用いて説明した処理は、必ずしも図示された順序で実行されなくてもよい。いくつかの処理ステップは、並列的に実行されてもよい。また、追加的な処理ステップが採用されてもよく、一部の処理ステップが省略されてもよい。
　以上説明した実施の形態を適宜組み合わせて実施することとしてもよい。また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。
　１０、２０　　　ユーザ端末
　２１　　　動画像加工部
　２２　　　提示部
　２３　　　出力制御部
　３０　　　ビデオセッションサービス端末
　４０　　　評価端末

Claims (6)

  1. 　複数のユーザでオンラインセッションが行われる環境においてオンラインセッション中にユーザが画面に表示されているか否かによらず前記ユーザを撮影することによって得られる動画像をもとに前記ユーザの反応を分析する動画像分析システムであって、
    　複数の前記ユーザの夫々について、前記オンラインセッション中に前記ユーザを撮影することによって得られる動画像を取得する動画像取得部と、
    　前記動画像取得部により取得された動画像に基づいて、前記ユーザについて生体反応の変化を解析する解析部と、
    　前記動画像に係るデータを、所定の条件に基づいて、前記動画像に含まれる前記ユーザの像を含まないように加工する動画像加工部と、
    　を備える動画像分析システム。
  2. 　請求項１に記載の動画像分析システムであって、
    　前記動画像加工部は、前記ユーザによる端末への入力により取得される入力情報に基づいて前記加工を行う、動画像分析システム。
  3. 　請求項２に記載の動画像分析システムであって、
    　前記ユーザの端末に対して、前記動画像加工部による加工に係る処理の実行に関する情報を提示する提示部をさらに備え、
    　前記動画像加工部は、前記提示部により提示された前記情報に対する前記ユーザによる端末への入力により取得される入力情報に基づいて、前記加工を行う、動画像分析システム。
  4. 　請求項１～３のいずれか１項に記載の動画像分析システムであって、
    　前記動画像加工部は、前記動画像に含まれる音声のみを抽出し、新たな動画像として生成する、動画像分析システム。
  5. 　請求項１～３のいずれか１項に記載の動画像分析システムであって、
    　前記動画像加工部は、前記動画像に含まれるユーザの像に対応するオブジェクトを前記ユーザの像に代えて表示させる加工を行う、動画像分析システム。
  6. 　請求項１～５のいずれか１項に記載の動画像分析システムであって、
    　前記動画像を前記オンラインセッションに参加する各ユーザの端末に出力する出力制御部をさらに備え、
    　前記動画像加工部は、一のユーザを撮影することによって得られる動画像に対して加工を行い、
    　前記出力制御部は、前記一のユーザ以外のユーザの端末に対して、前記動画像加工部により加工された動画像のデータを出力し、前記一のユーザの端末に対して、前記動画像加工部による加工がなされていない動画像のデータを出力する、動画像分析システム。
PCT/JP2021/023775 2021-06-23 2021-06-23 動画像分析システム WO2022269800A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023529315A JPWO2022269800A1 (ja) 2021-06-23 2021-06-23
PCT/JP2021/023775 WO2022269800A1 (ja) 2021-06-23 2021-06-23 動画像分析システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/023775 WO2022269800A1 (ja) 2021-06-23 2021-06-23 動画像分析システム

Publications (1)

Publication Number Publication Date
WO2022269800A1 true WO2022269800A1 (ja) 2022-12-29

Family

ID=84545329

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/023775 WO2022269800A1 (ja) 2021-06-23 2021-06-23 動画像分析システム

Country Status (2)

Country Link
JP (1) JPWO2022269800A1 (ja)
WO (1) WO2022269800A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001236290A (ja) * 2000-02-22 2001-08-31 Toshinao Komuro アバタを利用したコミュニケーション・システム
JP2010213133A (ja) * 2009-03-12 2010-09-24 Brother Ind Ltd 会議端末装置、表示制御方法、表示制御プログラム
US20140267578A1 (en) * 2013-03-14 2014-09-18 Samsung Electronics Co., Ltd. Video injection for video communication
JP2021022909A (ja) * 2019-07-30 2021-02-18 株式会社リコー 情報処理装置、情報処理プログラム、情報処理システム、情報処理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001236290A (ja) * 2000-02-22 2001-08-31 Toshinao Komuro アバタを利用したコミュニケーション・システム
JP2010213133A (ja) * 2009-03-12 2010-09-24 Brother Ind Ltd 会議端末装置、表示制御方法、表示制御プログラム
US20140267578A1 (en) * 2013-03-14 2014-09-18 Samsung Electronics Co., Ltd. Video injection for video communication
JP2021022909A (ja) * 2019-07-30 2021-02-18 株式会社リコー 情報処理装置、情報処理プログラム、情報処理システム、情報処理方法

Also Published As

Publication number Publication date
JPWO2022269800A1 (ja) 2022-12-29

Similar Documents

Publication Publication Date Title
WO2022230156A1 (ja) 動画像分析システム
WO2022269800A1 (ja) 動画像分析システム
JP7121433B1 (ja) 動画像分析プログラム
JP7121436B1 (ja) 動画像分析プログラム
JP7197955B1 (ja) ビデオミーティング評価端末
WO2022254494A1 (ja) 動画像分析システム
JP7121439B1 (ja) 動画像分析システム
WO2022254495A1 (ja) 動画像分析システム
WO2022201274A1 (ja) 動画像分析プログラム
WO2022264221A1 (ja) 動画像分析システム
WO2022254489A1 (ja) 動画像分析システム
WO2022230066A1 (ja) 動画像分析システム
WO2022254490A1 (ja) 動画像分析システム
WO2022201269A1 (ja) 動画像分析プログラム
WO2023032056A1 (ja) 動画像分析システム
WO2022230065A1 (ja) 動画像分析システム
WO2022249460A1 (ja) 動画像分析システム
WO2022230051A1 (ja) 動画像分析システム
WO2022230138A1 (ja) 動画像分析システム
WO2022264220A1 (ja) 動画像分析システム
WO2022264222A1 (ja) 動画像分析システム
WO2022230049A1 (ja) 動画像分析システム
WO2022254492A1 (ja) 動画像分析システム
WO2022230137A1 (ja) 動画像分析システム
WO2022230070A1 (ja) 動画像分析システム

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: 21947085

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023529315

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21947085

Country of ref document: EP

Kind code of ref document: A1