JP2009300227A - 位置追跡システム、位置追跡装置、位置追跡方法およびプログラム - Google Patents
位置追跡システム、位置追跡装置、位置追跡方法およびプログラム Download PDFInfo
- Publication number
- JP2009300227A JP2009300227A JP2008154317A JP2008154317A JP2009300227A JP 2009300227 A JP2009300227 A JP 2009300227A JP 2008154317 A JP2008154317 A JP 2008154317A JP 2008154317 A JP2008154317 A JP 2008154317A JP 2009300227 A JP2009300227 A JP 2009300227A
- Authority
- JP
- Japan
- Prior art keywords
- vector
- model
- tracking
- state vector
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
【課題】床センサにより検出される加圧位置と個々のユーザとを正確に対応付けられるようにすること。
【解決手段】床センサが計測した加圧位置をグループ化し、その重心位置をユーザの位置を示す一つの指標として用いる。そして、グループの重心位置と各ユーザの状態ベクトルとから3種類の接地モデル(右足接地モデル、左足接地モデル、両足接地モデル)を用いるパーティクルフィルタにより接地パタン(右足接地/左足接地/両足接地)を決定し、グループそれぞれにおける各ユーザの重み候補を算出する。そして、この重み候補を用いて、グループとユーザの対応関係を決定する。
【選択図】 図3
【解決手段】床センサが計測した加圧位置をグループ化し、その重心位置をユーザの位置を示す一つの指標として用いる。そして、グループの重心位置と各ユーザの状態ベクトルとから3種類の接地モデル(右足接地モデル、左足接地モデル、両足接地モデル)を用いるパーティクルフィルタにより接地パタン(右足接地/左足接地/両足接地)を決定し、グループそれぞれにおける各ユーザの重み候補を算出する。そして、この重み候補を用いて、グループとユーザの対応関係を決定する。
【選択図】 図3
Description
この発明は、例えば駅構内やショッピングモールなどを歩行する人の位置を追跡するために用いられる位置追跡システム、位置追跡装置、位置追跡方法およびプログラムに関する。
日常生活するユーザの位置を検出してユーザの位置に応じた様々なサービスを提供することが考えられている。この種の用途のため、カメラで撮影した映像から歩行する人の位置を検出する追跡システムなどが提案されている。しかしながら照明の変動などにより画像データを正しく取得できず追跡に失敗するケースが多々あり、更なる改良を要する。
まったく別の発想から、圧力センサを床に敷き詰めた床センサを用いて人間の位置を検出することが考えられている。床センサは体重により加圧される位置(以下、加圧位置と称する)を検出することができ、カメラなどに比べ環境の変動を受けずユーザの位置を安定して検出することができる。しかしながら加圧位置を検出することしかできないので、検出された位置と一人一人のユーザとを対応付けることが困難である。
これに対処するため、過去に計測された位置と現在の位置との間の距離に着目し、加圧位置とユーザとを対応付ける方式が提案されている(非特許文献1を参照)。この文献ではRFID(Radio Frequency IDentification)とも組み合わせることで対応関係の誤認識率を改善することを試みているが、複数の人が1箇所に集まると誤認識の可能性が高くなる。
このほか、ユーザの周期的な歩行モデルに基づいて加圧位置とユーザとの対応を決定する方式も提案されている(非特許文献2を参照)。この文献では個々のユーザの状態を歩行モデルに基づいて推定するので、より安定した結果を得られると考えられるが、歩行の周期をモデルに利用していることから静止している人を取り扱いにくい。
Multiple People Tacking by Integrating Distributed Floor Pressure Sensors and RFID System, T. MORI, Y. SUEMASU, H. NOGUCHI, T. SATO, IEEE Int. Conf. on Systems, Man and Cybernetics, pp. 5271-5278, 2004
複数仮設化周期歩行モデルに基づく床センサネットワークを用いた実時間複数人物追跡、村北、石黒、電子情報通信学会論文誌、D, Vol. J90-D, No. 6, pp. 1555 - 1567, 2007
以上述べたように既存の技術では、床センサで検出した加圧位置とユーザとを正確かつ安定して対応付けることが難しく、更なる改良の余地がある。
この発明は上記事情によりなされたもので、その目的は、床センサにより検出される加圧位置と個々のユーザとを正確に対応付けられるようにした位置追跡システム、位置追跡装置、位置追跡方法およびプログラムを提供することにある。
この発明は上記事情によりなされたもので、その目的は、床センサにより検出される加圧位置と個々のユーザとを正確に対応付けられるようにした位置追跡システム、位置追跡装置、位置追跡方法およびプログラムを提供することにある。
上記目的を達成するためにこの発明の一態様によれば、足による荷重を受けた加圧位置を検出する床センサと、この床センサから前記加圧位置の位置データを取得するコンピュータとを具備し、前記コンピュータは、規定の座標系における加圧者の位置、進行方向の角度、および速度を要素とする加圧者ごとの状態ベクトルの時系列を用いるベクトル推定処理により前記加圧者の位置を追跡する追跡処理部を具備し、この追跡処理部は、前記加圧位置のそれぞれを相互の間隔を基準として組み分けした各グループの重心位置を前記位置データに基づいて算出し、右足の接地を定式化した第1モデルに前記状態ベクトルの各要素を適用して右足位置を示す第1位置を算出し、左足の接地を定式化した第2モデルに前記状態ベクトルの各要素を適用して左足位置を示す第2位置を算出し、両足の接地を定式化した第3モデルに前記状態ベクトルの各要素を適用して両足の中心位置を示す第3位置を算出し、前記第1乃至第3位置のそれぞれについて前記重心位置との近接度を評価する評価式を用いて前記グループごとに算出した重みベクトルが最大となるモデルの、当該重みベクトルの要素の総和を加圧者ごとに算出し、前記加圧者のそれぞれを、前記加圧者ごとに算出した総和が最大となるグループに対応付けることを特徴とする位置追跡システムが提供される。
この発明によれば、床センサにより検出される加圧位置と個々のユーザとを正確に対応付けられるようにした位置追跡システム、位置追跡装置、位置追跡方法およびプログラムを提供することができる。
図1は、この発明に関わる位置追跡システムを示すシステム図である。このシステムは床センサにコンピュータを接続して形成される。床センサは例えば多数の圧力センサをマトリクス状に配列して形成されるもので、ユーザ(加圧者)の荷重を検知してその加圧位置を示す位置データをコンピュータに送信する。位置データは床センサ上の座標系、あるいは他の規定の座標系で定義される2次元ベクトルであり、一定のサンプリング間隔で時系列的に取得される。図1には3人のユーザA〜Cが床センサ上に乗っている状態が示される。
図2は床センサで計測されるユーザの足の位置を例示する図である。現在時刻をtとし、その前のサンプリングタイミングをt−1、その前をt−2…というようにインデックスする。ユーザAは時刻がt−3、t−2、…、tと経過するにつれ移動しており、歩行に伴って左、右、と足が交互に入れ替わる。ユーザB,Cは静止しており、いずれも両足で立っている。この実施形態では、図2にのハッチングで示される加圧位置とユーザA〜Cとを正確に対応付けるための技術を開示する。
図3は、図1の位置追跡システムの一実施の形態を示す機能ブロック図である。図3において、コンピュータ1はLAN(Local Area Network)などの通信ネットワーク20を介して床センサ30に接続される、床センサ30からの位置データは通信ネットワーク20を介してコンピュータ1に伝送される。
コンピュータ1は、中央処理ユニット(CPU:Central Processing Unit)10を備える。このCPU10には内部バス11を介してプログラムメモリ12と、データメモリ13と、通信インタフェース14がそれぞれ接続される。このうち通信インタフェース14は通信ネットワーク20に接続されて床センサ30からのデータパケットを受信し、加圧位置データを再生してCPU10に伝達する。
データメモリ13は記憶媒体として例えばハードディスク、フラッシュメモリ、RAMを使用したもので、重みデータ13aをその記憶領域に記憶する。この重みデータはCPU10の演算処理により生成されるデータである。
データメモリ13は記憶媒体として例えばハードディスク、フラッシュメモリ、RAMを使用したもので、重みデータ13aをその記憶領域に記憶する。この重みデータはCPU10の演算処理により生成されるデータである。
プログラムメモリ12はこの実施形態に係わるプログラムブロックとして、グループ化処理ブロック12a、重心算出処理ブロック12b、モデル演算処理ブロック12c、重みベクトル算出ブロック12d、重み候補算出ブロック12e、対応付け処理ブロック12f、および更新処理ブロック12gを備える。更新処理ブロック12gはガウスノイズ加算ルーチン12hを備える。これらの処理ブロックがコンピュータ1にロードされCPU10により実行されることで、CPU10は、ユーザの時系列的な位置を追跡する追跡処理部として機能する。より詳しくはこの追跡処理部は、規定の座標系におけるユーザの位置、ユーザの進行方向の角度、およびユーザの速度を要素とするユーザごとの状態ベクトルの時系列を用いるベクトル推定処理により、各ユーザの位置を追跡する機能を持つ。
この実施形態ではベクトル推定処理の一例としてパーティクルフィルタを採り上げる。パーティクルフィルタは粒子フィルタとも称され、逐次モンテカルロ法、ブートストラップ法、あるいはCONDENSATIONとも呼ばれることがあり、基本的にはこれらは同義語である。観測値を表現するのに必要な変量を1つのベクトルにまとめて表現したものを状態ベクトルと称する。この実施形態では、時系列的に得られる観測データを用いて状態ベクトルを逐次的に推定する処理を、ベクトル推定処理と総称する。
図3において、グループ化処理ブロック12aは、床センサ30で検知された加圧位置のそれぞれを、相互の間隔を基準として組み分けする。例えば図4に示すように、或るサンプリング時点においてp1,p2,p3,p4の4つの加圧位置が検出されたとする。これらの加圧位置の位置データは床センサ上の座標系を基準として計測され、それぞれの位置ベクトルがコンピュータ1に通知される。
グループ化処理ブロック12aはこの位置データをもとに各加圧位置の間隔(距離)を算出する。図4ではp1,p2間の距離としてd12が、p2,p3間の距離としてd23が得られたとする。この実施形態では距離d12、d23はいずれも規定の閾値以内であるとする。この閾値は人間の両足の間隔を少し上回る程度に決めておけば良い。
この結果に基づいてグループ化処理ブロック12aは、加圧位置p1,p2,p3,p4をいずれも同じグループ(グループ1)に属するとして取り扱う。加圧位置が他に検出された場合も同様に、グループ化処理ブロック12aは複数の加圧位置をグルーピングする。
重心算出処理ブロック12bは、グループ化処理ブロック12aによりグルーピングされた各グループの重心位置を、それぞれの加圧位置の位置データに基づいて算出する。図4にはグループ1の重心位置が示され、その位置ベクトルをY1とする。
モデル演算処理ブロック12cは、この実施形態で想定するパーティクルフィルタ処理で用いるモデルに基づいて、ユーザの右足位置、左足位置、および両足の中心位置を算出する。このモデルは状態予測モデルとしてパーティクルフィルタに与えられるもので、その具体例は後述する。
モデル演算処理ブロック12cは、この実施形態で想定するパーティクルフィルタ処理で用いるモデルに基づいて、ユーザの右足位置、左足位置、および両足の中心位置を算出する。このモデルは状態予測モデルとしてパーティクルフィルタに与えられるもので、その具体例は後述する。
特にこの実施形態では、右足の接地を定式化した右足接地モデル、左足の接地を定式化した左足接地モデル、および両足の接地を定式化した両足接地モデルの3種類のモデルを用いる。ユーザの状態を表現する状態ベクトルをこれらのモデルに適用することでユーザの右足位置、左足位置、および両足の中心位置が算出される。
重みベクトル算出ブロック12dは、モデル演算処理ブロック12cで算出されたユーザの右足位置、左足位置、および両足の中心位置のそれぞれについて、グループの重心位置との近接度を評価する評価式を用いて重みベクトルを算出する。この重みベクトルはグループのそれぞれごとに算出される量である。評価式の具体例は後述する。
重み候補算出ブロック12eは、ユーザごとに最大の重みベクトルをもたらす接地モデルを選択する。そして、この選択した接地モデルの重みベクトルの要素を全てのパーティクルにわたって合計し、その総和を重み候補ベクトルとして算出する。この重み候補ベクトルは、ユーザごとに全てのグループにわたって算出される量である。
対応付け処理ブロック12fは、重み候補ベクトルが最大となるグループに、それぞれのユーザを対応付ける。更新処理ブロック12gは、サンプリング期間ごとに重みベクトルを正規化し、この正規化した重みベクトルで各ユーザの状態ベクトルを再抽出することで状態ベクトルを更新する。その際、ガウスノイズ加算ルーチン12hにより状態ベクトルにガウスノイズ成分が加算される。次に、上記構成における作用を説明する。
図5は、コンピュータ1における処理手順を示すフローチャートである。最初に、ユーザの状態ベクトルに初期値を与えてパーティクルフィルタを初期化する(ステップS1)。次にコンピュータ1は、床センサ30から加圧位置データPiを取得し(ステップS2)、加圧位置間の距離dijを算出する。各パラメータを(1)に示す。
次に距離dijを用いる閾値判定により加圧位置をグループ化する(ステップS3)。距離dijが閾値であれば、加圧位置piとpjとを同じグループとする。次に各グループごとに、位置データPiを用いて(2)に示すように重心位置Yk(0<k<B、ただし、Bはグループ数)を算出する。
次にコンピュータ1は足接地モデルに基づく位置算出処理を行う、すなわち3つの接地モデルを用いて足の位置を算出する(ステップS4)。この処理にあたりユーザの状態ベクトルが必要であり、その例を(3)に示す。ユーザにインデックスuを付し、ユーザuの状態ベクトルをux(D)(0<u<C,ただし、Cはユーザの数)とする。
次に、右足接地モデル、左足接地モデル、両足接地モデルに基づいて足の位置を求める(ステップS5)。各接地モデルの具体例を(5)に示す。
(5)の演算により、右足位置、左足位置、および両足中心位置が算出される。次にコンピュータ1は、各モデルの重み(重みベクトル)を(6)の評価式に基づいて算出する(ステップS6)。
次にコンピュータ1は、右足接地モデル、左足接地モデル、両足接地モデルの各重みベクトルから最大要素を求め、最も大きい値を示す接地モデルを接地パタン(右足接地、左足接地、両足接地)として決定する。そして、この決定した接地パタンの重みベクトルを、ユーザuとグループkとの重み候補ベクトル(ステップS7)とする。重み候補ベクトルは(7)に示すように、D次元空間でユーザかつグループごとに算出される量である。次にコンピュータ1は重み候補ベクトルの要素を合計し、得られた総和をユーザuのグループkについての重み候補ukWとする。この重み候補ukWは重みデータ13aとしてに記憶される。
グループ化処理では、相互間の距離を指標として加圧位置をグループ化し、グループごとに重心位置を求める。ユーザごとの重み候補算出処理では、各グループの重心位置と各ユーザの状態量(身体の重心位置、移動方向、移動速度)から3種類の接地モデル(右足接地モデル、左足接地モデル、両足接地モデル)に基づいて接地パタン(右足接地佐足接地/両足接地)を決定し、各グループに対するユーザの重み候補を算出する。対応付け処理では、重み候補ベクトルを用いてグループとユーザとの対応関係を決定し、ユーザごとの重みベクトルを決定する。状態ベクトル更新処理では、ユーザごとの重みベクトルと過去のユーザの状態ベクトルとから、ユーザの状態ベクトルを更新する、
すなわちこの実施形態では、床センサが計測した加圧位置をグループ化し、その重心位置をユーザの位置を示す一つの指標として用いる。そして、グループの重心位置と各ユーザの状態ベクトルとから3種類の接地モデル(右足接地モデル、左足接地モデル、両足接地モデル)を用いるパーティクルフィルタにより接地パタン(右足接地/左足接地/両足接地)を決定し、グループそれぞれにおける各ユーザの重み候補を算出する。そして、この重み候補を用いて、グループとユーザの対応関係を決定するようにしている。
すなわち、加圧位置をグループ化してその重心位置を求め、3種類の接地モデルに基づいて各グループに対するユーザの接地パタンを決定することで、両足接地パタンをも含めた数値解析を行うことが可能になる。特に両足接地パタンは静止状態にも対応付けることができ、従って処理の精度が向上する。さらに、ユーザごとに重みベクトル候補を求め、その最大値に対応するグループにユーザを対応付けるようにしている。よって床センサが計測した加圧位置と各ユーザとを、より高い精度で1対1に対応付けることが可能になる。この結果を用いれば、特定のユーザの位置に応じたサービスを、より効果的に提供できるようになる。これらのことから、床センサにより検出される加圧位置と個々のユーザとを正確に対応付けられるようにした位置追跡システム、位置追跡装置、位置追跡方法およびプログラムを提供することが可能となる。
なお、この発明は上記実施形態そのままに限定されるものではない。例えば、式(6)では足の位置だけを用いて重みベクトルを算出した。つまり重心位置Ykと足の位置との近接の度合いだけを評価するようにした。これに限らず、ユーザの進行方向に対する角度Φ、あるいは速度Vを用いても重みベクトルを算出することができる。
つまり、角度Φは状態ベクトルに含まれる量である。そこで、過去に推定されたユーザの位置から推定される角度と状態ベクトルux(D)内の角度uΦ(D)との差を式(6)の大括弧[ ]内の差分式に当てはめれば、位置を用いるのと同様に重みベクトルを算出することができる。この場合にはその差分式は角度の次元を持つことになる。
同様に速度Vも状態ベクトルに含まれるので、過去に推定されたユーザの位置から推定される速度と状態ベクトルux(D)内の速度uV(D)との差を式(6)の大括弧[ ]内に当てはめることでも重みベクトルを算出することができる。この場合には[ ]部分は速度の次元を持つことになる。このように位置、角度、速度を個別に用いて重みベクトルを算出できるし、さらには、位置、角度、速度を個別に用いて算出した値の和を重みベクトルとしても良い。
またこの発明は、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。
また、実施形態に記載した手法は、計算機(コンピュータ)に実行させることができるプログラム(ソフトウェア手段)として、例えば磁気ディスク(フロッピー(登録商標)ディスク、ハードディスク等)、光ディスク(CD−ROM、DVD、MO等)、半導体メモリ(ROM、RAM、フラッシュメモリ等)等の記録媒体に格納し、また通信媒体により伝送して頒布することもできる。なお、媒体側に格納されるプログラムには、計算機に実行させるソフトウェア手段(実行プログラムのみならずテーブルやデータ構造も含む)を計算機内に構成させる設定プログラムをも含む。本装置を実現する計算機は、記録媒体に記録されたプログラムを読み込み、また場合により設定プログラムによりソフトウェア手段を構築し、このソフトウェア手段によって動作が制御されることにより上述した処理を実行する。なお、本明細書でいう記録媒体は、頒布用に限らず、計算機内部あるいはネットワークを介して接続される機器に設けられた磁気ディスクや半導体メモリ等の記憶媒体を含むものである。
A,B,C…ユーザ、1…コンピュータ、20…通信ネットワーク、30…床センサ、10…中央処理ユニット、11…内部バス、12…プログラムメモリ、12a…グループ化処理ブロック、12b…重心算出処理ブロック、12c…モデル演算処理ブロック、12d…重みベクトル算出ブロック、12e…重み候補算出ブロック、12f…対応付け処理ブロック、12g…更新処理ブロック、12h…ガウスノイズ加算ルーチン、13…データメモリ、13a…重みデータ、14…通信インタフェース
Claims (13)
- 足による荷重を受けた加圧位置を検出する床センサと、この床センサから前記加圧位置の位置データを取得するコンピュータとを具備し、
前記コンピュータは、
規定の座標系における加圧者の位置、進行方向の角度、および速度を要素とする加圧者ごとの状態ベクトルの時系列を用いるベクトル推定処理により前記加圧者の位置を追跡する追跡処理部を具備し、
この追跡処理部は、
前記加圧位置のそれぞれを相互の間隔を基準として組み分けした各グループの重心位置を前記位置データに基づいて算出し、
右足の接地を定式化した第1モデルに前記状態ベクトルの各要素を適用して右足位置を示す第1位置を算出し、
左足の接地を定式化した第2モデルに前記状態ベクトルの各要素を適用して左足位置を示す第2位置を算出し、
両足の接地を定式化した第3モデルに前記状態ベクトルの各要素を適用して両足の中心位置を示す第3位置を算出し、
前記第1乃至第3位置のそれぞれについて前記重心位置との近接度を評価する評価式を用いて前記グループごとに算出した重みベクトルが最大となるモデルの、当該重みベクトルの要素の総和を加圧者ごとに算出し、
前記加圧者のそれぞれを、前記加圧者ごとに算出した総和が最大となるグループに対応付けることを特徴とする位置追跡システム。 - 前記ベクトル推定処理はパーティクルフィルタであり、
前記追跡処理部は、前記算出した重みベクトルが最大となるモデルの、当該重みベクトルの要素のパーティクル間での総和を算出することを特徴とする請求項1に記載の位置追跡システム。 - 前記追跡処理部は、サンプリング期間ごとに前記重みベクトルを正規化し、この正規化した重みベクトルで前記状態ベクトルを再抽出して当該状態ベクトルを更新することを特徴とする請求項2に記載の位置追跡システム。
- 前記追跡処理部は、前記再抽出した状態ベクトルにガウスノイズ成分を加算することを特徴とする請求項3に記載の位置追跡システム。
- 足による荷重を受けた加圧位置を検出する床センサから前記加圧位置の位置データを取得して、規定の座標系における加圧者の位置、進行方向の角度、および速度を要素とする加圧者ごとの状態ベクトルの時系列を用いるベクトル推定処理により前記加圧者の位置を追跡する位置追跡装置であって、
前記加圧位置のそれぞれを相互の間隔を基準として組み分けするグループ化処理部と、
前記組み分けされた各グループの重心位置を前記位置データに基づいて算出する重心算出部と、
右足の接地を定式化した第1モデルに前記状態ベクトルの各要素を適用して右足位置を示す第1位置を算出し、左足の接地を定式化した第2モデルに前記状態ベクトルの各要素を適用して左足位置を示す第2位置を算出し、両足の接地を定式化した第3モデルに前記状態ベクトルの各要素を適用して両足の中心位置を示す第3位置を算出するモデル演算処理部と、
前記第1乃至第3位置のそれぞれについて前記重心位置との近接度を評価する評価式を用いて前記グループごとに重みベクトルを算出する重みベクトル算出部と、
前記加圧者ごとに、前記重みベクトルが最大となるモデルの当該重みベクトルの要素の総和を重み候補として算出する重み候補算出部と、
前記加圧者のそれぞれを、前記重み候補が最大となるグループに対応付ける対応付け処理部とを具備することを特徴とする位置追跡装置。 - 前記ベクトル推定処理はパーティクルフィルタであり、
前記追跡処理部は、前記算出した重みベクトルが最大となるモデルの、当該重みベクトルの要素のパーティクル間での総和を算出することを特徴とする請求項5に記載の位置追跡装置。 - さらに、サンプリング期間ごとに前記重みベクトルを正規化し、この正規化した重みベクトルで前記状態ベクトルを再抽出して当該状態ベクトルを更新する状態ベクトル更新処理部を具備することを特徴とする請求項6に記載の位置追跡装置。
- 前記状態ベクトル更新処理部は、前記再抽出した状態ベクトルにガウスノイズ成分を加算することを特徴とする請求項7に記載の位置追跡装置。
- 足による荷重を受けた加圧位置を検出する床センサから前記加圧位置の位置データを取得して、規定の座標系における加圧者の位置、進行方向の角度、および速度を要素とする加圧者ごとの状態ベクトルの時系列を用いるベクトル推定処理により前記加圧者の位置を追跡する位置追跡方法であって、
前記加圧位置のそれぞれを相互の間隔を基準として組み分けした各グループの重心位置を前記位置データに基づいて算出し、
右足の接地を定式化した第1モデルに前記状態ベクトルの各要素を適用して右足位置を示す第1位置を算出し、
左足の接地を定式化した第2モデルに前記状態ベクトルの各要素を適用して左足位置を示す第2位置を算出し、
両足の接地を定式化した第3モデルに前記状態ベクトルの各要素を適用して両足の中心位置を示す第3位置を算出し、
前記第1乃至第3位置のそれぞれについて前記重心位置との近接度を評価する評価式を用いて前記グループごとに算出した重みベクトルが最大となるモデルの、当該重みベクトルの要素の総和を加圧者ごとに算出し、
前記加圧者のそれぞれを、前記加圧者ごとに算出した総和が最大となるグループに対応付けることを特徴とする位置追跡方法。 - 前記ベクトル推定処理はパーティクルフィルタであり、
前記算出した重みベクトルが最大となるモデルの、当該重みベクトルの要素のパーティクル間での総和を算出することを特徴とする請求項9に記載の位置追跡方法。 - さらに、サンプリング期間ごとに前記重みベクトルを正規化し、この正規化した重みベクトルで前記状態ベクトルを再抽出して当該状態ベクトルを更新することを特徴とする請求項10に記載の位置追跡方法。
- 前記再抽出した状態ベクトルにガウスノイズ成分を加算することを特徴とする請求項11に記載の位置追跡方法。
- 足による荷重を受けた加圧位置を検出する床センサから前記加圧位置の位置データを取得するコンピュータに読み込まれ、前記コンピュータに、規定の座標系における加圧者の位置、進行方向の角度、および速度を要素とする加圧者ごとの状態ベクトルの時系列を用いるベクトル推定処理により前記加圧者の位置を追跡する追跡処理機能を実行させるプログラムであって、
この追跡処理機能は、
前記加圧位置のそれぞれを相互の間隔を基準として組み分けした各グループの重心位置を前記位置データに基づいて算出する処理と、
右足の接地を定式化した第1モデルに前記状態ベクトルの各要素を適用して右足位置を示す第1位置を算出する処理と、
左足の接地を定式化した第2モデルに前記状態ベクトルの各要素を適用して左足位置を示す第2位置を算出する処理と、
両足の接地を定式化した第3モデルに前記状態ベクトルの各要素を適用して両足の中心位置を示す第3位置を算出する処理と、
前記第1乃至第3位置のそれぞれについて前記重心位置との近接度を評価する評価式を用いて前記グループごとに算出した重みベクトルが最大となるモデルの、当該重みベクトルの要素の総和を加圧者ごとに算出する処理と、
前記加圧者のそれぞれを、前記加圧者ごとに算出した総和が最大となるグループに対応付ける処理とを含むことを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008154317A JP2009300227A (ja) | 2008-06-12 | 2008-06-12 | 位置追跡システム、位置追跡装置、位置追跡方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008154317A JP2009300227A (ja) | 2008-06-12 | 2008-06-12 | 位置追跡システム、位置追跡装置、位置追跡方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009300227A true JP2009300227A (ja) | 2009-12-24 |
Family
ID=41547288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008154317A Pending JP2009300227A (ja) | 2008-06-12 | 2008-06-12 | 位置追跡システム、位置追跡装置、位置追跡方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2009300227A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013113642A (ja) * | 2011-11-28 | 2013-06-10 | Nippon Hoso Kyokai <Nhk> | 位置計測装置及び位置計測システム |
CN104075708A (zh) * | 2013-03-27 | 2014-10-01 | 鸿富锦精密工业(深圳)有限公司 | 人员定位***与人员定位方法 |
CN104142149B (zh) * | 2014-07-03 | 2017-03-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于智能光纤地板的人和机器人识别及定位的方法 |
CN108972565A (zh) * | 2018-09-27 | 2018-12-11 | 安徽昱康智能科技有限公司 | 机器人指令动作控制方法及其*** |
CN111513723A (zh) * | 2020-04-21 | 2020-08-11 | 咪咕互动娱乐有限公司 | 运动姿态监测方法、调整方法、装置和终端 |
-
2008
- 2008-06-12 JP JP2008154317A patent/JP2009300227A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013113642A (ja) * | 2011-11-28 | 2013-06-10 | Nippon Hoso Kyokai <Nhk> | 位置計測装置及び位置計測システム |
CN104075708A (zh) * | 2013-03-27 | 2014-10-01 | 鸿富锦精密工业(深圳)有限公司 | 人员定位***与人员定位方法 |
CN104142149B (zh) * | 2014-07-03 | 2017-03-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于智能光纤地板的人和机器人识别及定位的方法 |
CN108972565A (zh) * | 2018-09-27 | 2018-12-11 | 安徽昱康智能科技有限公司 | 机器人指令动作控制方法及其*** |
CN111513723A (zh) * | 2020-04-21 | 2020-08-11 | 咪咕互动娱乐有限公司 | 运动姿态监测方法、调整方法、装置和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Towards unsupervised physical activity recognition using smartphone accelerometers | |
CN105411593B (zh) | 用于识别步态任务的方法和设备 | |
KR101827885B1 (ko) | 휴대 단말을 이용한 사용자 행동 측정 장치 및 방법 | |
Chen et al. | A fall detection system based on infrared array sensors with tracking capability for the elderly at home | |
JP2009300227A (ja) | 位置追跡システム、位置追跡装置、位置追跡方法およびプログラム | |
JP2022519283A (ja) | 強化学習を利用する3d環境リスク識別 | |
KR102371127B1 (ko) | 골격의 길이 정보를 이용한 제스쳐 인식 방법 및 처리 시스템 | |
Headon et al. | Recognizing movements from the ground reaction force | |
KR20180058999A (ko) | 보행 분석 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | |
Varshney et al. | Rule-based multi-view human activity recognition system in real time using skeleton data from RGB-D sensor | |
Almasi et al. | Human action recognition through the first-person point of view, case study two basic task | |
JP2012524578A (ja) | 可動要素の活動を決定するためのシステム及び方法 | |
KR20170106737A (ko) | 다방향 인식을 이용한 태권도 동작 평가 장치 및 방법 | |
JP4634334B2 (ja) | 位置推定システムおよび位置推定方法 | |
CN111353347B (zh) | 动作识别纠错方法、电子设备、存储介质 | |
Reddy et al. | Person identification from arbitrary position and posture using kinect | |
CN111353345B (zh) | 提供训练反馈的方法、装置、***、电子设备、存储介质 | |
Gutiérrez et al. | Human stability assessment and fall detection based on dynamic descriptors | |
JP5418938B2 (ja) | グループ行動推定装置およびサービス提供システム | |
Flores-Barranco et al. | Accidental fall detection based on skeleton joint correlation and activity boundary | |
Abbondanza et al. | Accuracy of the microsoft kinect system in the identification of the body posture | |
WO2017026148A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Fraccaro et al. | Development and preliminary evaluation of a method for passive, privacy-aware home care monitoring based on 2D LiDAR data | |
Haller et al. | Human activity recognition based on multiple kinects | |
Hsia et al. | Analyses of basketball player field goal shooting postures for player motion correction using kinect sensor |