JP2017151043A - 物体認識装置及びプログラム - Google Patents

Abstract

【課題】検出領域に存在する物体を認識する技術において物体の識別精度を向上させる。【解決手段】物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を取得する受信手段を備え、前記受信手段が取得した情報に基づき、Ｓ１１０にて前記各点の３次元空間上の位置を取得し、前記位置を取得された点を測距点として、前記各測距点に対し、Ｓ１２０にてクラスタリングを行ってクラスタ点群を取得し、前記取得したクラスタ点群に係る測定量の時間的変動をＳ１５０にて取得し、前記取得した時間的変動に基づき、前記クラスタ点群に対応する物体をＳ１６０，Ｓ１７０にて識別する。【選択図】図３

Description

本発明は、検出領域に存在する物体を認識する技術に関する。なお、本明細書では、点群等として捉えられた物体が何であるかを見分ける（すなわち属性判別する）処理又は動作を「識別」と呼び、物体に電磁波を照射するなどして前記点群等を取得する段階から識別に至るまでの一連の処理又は動作を「認識」と呼んで区別する。また、前記識別には、物体が予め想定された特定の物体であるか否かを見分ける処理又は動作も含まれるものとする。

従来、レーザレーダを用いて、車両の前方等の検出領域（すなわち、物体を検出するための対象となる領域）に存在する物体上の複数の点に対して３次元空間上の位置を取得し、その物体を認識する技術が提案されている。例えば、特許文献１には、前記位置が取得された点をクラスタリングしてクラスタ点群を取得し、そのクラスタ点群の水平面内の分布が高さ方向にどのように変化するかをスライス特徴量として算出する技術が提案されている。そのようなスライス特徴量を用いて前記クラスタ点群に対応する物体を識別すれば、その物体が何であるか、例えば歩行者であるか否かを、ある程度識別することができる。

特開２０１２−２２１４５６号公報

しかしながら、特許文献１に記載のようなスライス特徴量に基づいて物体を識別する場合、例えば歩行者と電柱などではスライス特徴量が似通ったものとなるため、両者を正確に識別するのが困難な場合があった。このような課題を解決するためには、例えば、車両等の移動体に搭載される物体認識装置において、歩行者のように形状が変化する非剛体と、電柱のように形状が変化しない剛体とを、識別可能とすることにより、例えば歩行者と電柱とをより正確に識別可能とすることが考えられる。また、物体の識別精度に係る課題としては、他にも種々考えられ、特許文献１に記載の技術よりも物体の識別精度を向上させるための対策も、剛体／非剛体の識別以外にも種々の対策が考えられる。

本発明は、こうした問題にかんがみてなされたものであり、検出領域に存在する物体を認識する技術において、物体の識別精度を従来に比べて向上させることを目的としている。

本発明の物体認識装置は、受信手段と、測距手段と、クラスタリング手段と、変動抽出手段と、識別手段と、を備える。受信手段は、物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を取得する。測距手段は、前記受信手段が取得した情報に基づき、前記各点の３次元空間上の位置を取得する。クラスタリング手段は、前記測距手段によって前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群（すなわち、クラスタリングによって取得された点群のクラスタ）を取得する。変動抽出手段は、前記クラスタリング手段が取得したクラスタ点群に係る測定量の時間的変動を取得する。識別手段は、前記変動抽出手段が取得した時間的変動に基づき、前記クラスタ点群に対応する物体を識別する。

このため、本発明では、物体の形状に対応したクラスタ点群に対してその時間的変動を取得し、その時間的変動に基づいて物体を識別することができる。従って、物体の識別精度を良好に向上させることができる。

また、本発明の物体認識装置は、次のような受信手段と、測距手段と、クラスタリング手段と、識別手段と、を備えてもよい。受信手段は、物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を、前記電磁波又は音波に対する各点の反射強度と共に取得する。測距手段は、前記受信手段が取得した情報に基づき、前記各点の３次元空間上の位置を取得する。クラスタリング手段は、前記測距手段によって前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得する。識別手段は、前記クラスタリング手段が取得したクラスタ点群に属する少なくとも一部の測距点に対して、その測距点の反射強度で重みづけされた当該測距点の位置に基づき、前記クラスタ点群に対応する物体を識別する。

その場合、物体表面の色や材質、角度が前記反射強度に反映される。識別手段は、そのような反射強度で重み付けされた各測距点の位置に基づき、物体を識別する。従って、この場合も、物体の識別精度を良好に向上させることができる。

また、本発明の物体認識装置は、次のような受信手段と、測距手段と、クラスタリング手段と、特徴抽出手段と、識別手段と、を備えてもよい。受信手段は、物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を取得する。測距手段は、前記受信手段が取得した情報に基づき、前記各点の３次元空間上の位置を取得する。クラスタリング手段は、前記測距手段によって前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得する。特徴抽出手段は、前記クラスタリング手段が各時点で取得したクラスタ点群を複数領域に分割し、前記各領域における前記各時点の前記クラスタ点群に対して前記各時点に取得可能な特徴量を、前記各領域に取得する。識別手段は、前記特徴抽出手段が取得した前記特徴量の前記各時点における前記各領域の分布に基づき、前記クラスタ点群に対応する物体を識別する。

その場合、クラスタ点群を複数領域に分割し、各領域に属する各クラスタ点群に取得された特徴量の分布に基づいて、物体を識別することができる。従って、物体の識別精度を良好に向上させることができる。

第１実施形態の運転支援システム１の概略構成を示す説明図である。 第１実施形態において、レーザ光を照射する領域を示す模式図である。 レーダ制御部１１が実行する物体認識処理を示すフローチャートである。 測距点群とクラスタリング結果の一例を示す鳥瞰図である。 クラスタ点群の一例を示す立体図である。 前記物体認識処理の単一フレーム特徴算出を示すフローチャートである。 クラスタの測距点と反射強度との紐付けを示す説明図である。 反射強度を用いた重み付き重心の例を示す説明図である。 各ラインの測距点数の例を示す説明図である。 クラスタの回転量の補正を模式的に示す説明図である。 前記物体認識処理の複数フレーム特徴算出を示すフローチャートである。 複数フレームにおけるクラスタの幅の変動例を示す説明図である。 前記クラスタの幅の変動例を示すグラフである。 複数フレームにおける対応点の変動例を示す説明図である。 前記対応点の横位置の変動例を示すグラフである。 １乃至３フレームのクラスタ点群から算出される特徴量を模式的に示す説明図である。 投票法による属性判定を模式的に示す説明図である。

以下、図面を参照しながら、発明を実施するための形態を説明する。
［１．第１実施形態］
［１−１．構成］
図１は第１実施形態の物体認識装置が適用された運転支援システム１の概略構成を示す説明図、図２はレーザ光を照射する領域を示す模式図である。運転支援システム１は、例えば乗用車等の車両（以下「自車両」ともいう。）に搭載されており、図１に示すように、レーダ装置１０と、車両制御部３０と、を備えている。また、レーダ装置１０は、レーダ制御部１１と、走査駆動部１２と、光学ユニット１３とを備えている。

レーダ制御部１１は、ＣＰＵ１８と、ＲＯＭ，ＲＡＭ等のメモリ１９と、を備えた周知のコンピュータとして構成されている。ＣＰＵ１８は、メモリ１９に記憶されたプログラムに従って、後述する物体認識処理等の各種処理を実施する。なお、レーダ制御部１１は、回路等によるハードウェアで構成してもよい。

走査駆動部１２は、例えばモータ等のアクチュエータとして構成されており、レーダ制御部１１からの指令を受けて、光学ユニット１３を水平方向及び鉛直方向の任意の方向に向けることができるよう構成されている。なお、走査駆動部１２は、レーダ制御部１１からの走査開始信号を受ける度に、レーザ光を照射すべき全ての領域（すなわち検出領域）から反射光を受ける１サイクル分の走査ができるように、光学ユニット１３を駆動する。

光学ユニット１３は、レーダ制御部１１からの指令に応じてレーザ光を照射する発光部１４と、発光部１４からのレーザ光（図１では実線の矢印で示す）が物体５０に反射したときの反射光（図１では破線の矢印で示す）を受光する受光部１５と、を備えている。なお、このような光学ユニット１３としては、例えばＬＩＤＡＲを用いることができる。ＬＩＤＡＲとは、LIght Detection And Ranging、Laser Imaging Detection And Rangingの略称である。

なお、走査駆動部１２は、結果として発光部１４によるレーザ光の照射方向が受光部１５により反射光を受光可能な方向と同じ方向となるよう変化させられる構成であればよい。例えば、走査駆動部１２は、光学ユニット１３に換えて、光学ユニット１３に備えられたレーザ光及び反射光を任意の方向に反射させるミラーを駆動するよう構成されていてもよい。

この場合には、複数の反射面を有するミラーを走査駆動部１２で回転させることによって水平方向にレーザ光を走査し、反射面の角度をそれぞれ異なる角度に設定することによって、鉛直方向にもレーザ光を振りつつ走査する構成を採用すればよい。また、１つの反射面を有するミラーを任意の方向に向ける機構を採用してもよい。

また、走査駆動部１２は、受光部１５のみの方向を変化させる構成でもよい。この場合、発光部１４は、発光部１４の方向を変化させることなく、受光部１５が走査される領域の一部又は全体にレーザ光を照射可能な構成にされていてもよい。

前述のようにレーダ装置１０は、自車両周囲の任意の方向（本実施形態では自車両の進行方向である前方）の所定領域に対して、走査しつつ間欠的に電磁波であるレーザ光を照射し、その反射光（すなわち反射波）をそれぞれ受信することによって、自車両前方の物体を各測距点として検出するレーザレーダとして構成されている。光学ユニット１３は、このように、前記所定領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を取得する。

ここで、本実施形態のレーダ装置１０においてレーダ制御部１１は、前述のように走査駆動部１２を利用して、光学ユニット１３から照射されるレーザ光を所定の領域内において走査させるが、詳細には図２に示すように、この領域の左上隅から右上隅に水平方向右側にレーザ光を照射させる範囲を変化させつつ間欠的に等間隔（すなわち等角度）でレーザ光を照射させ、レーザ光が右上隅に到達すると、左上隅よりも所定角度だけ下方の領域から水平方向右側にレーザ光を照射させる範囲を変化させつつ再びレーザ光を照射させる。

この作動を繰り返すことによってレーダ装置１０は、所定領域の全域に順次レーザ光を照射させることになる。そしてレーダ装置１０は、反射光を受信したタイミングとレーザ光を照射した方向とに基づいて、レーザ光を照射する度に物体上の測距点を計測する。

なお、本実施形態では、レーザ光の照射方向については、レーザ光を照射する全領域をレーザ光が照射される領域毎にマトリクス状に区切り、各領域に番号を付すことによって特定できるようにしておく。例えば、図２に示すように、水平方向については左から順に番号を付し、この番号を方位番号と呼ぶ。また、鉛直方向については上から順に番号を付し、この番号をライン番号と呼ぶ。後に詳述するが、本実施形態では、以下の［数１］に示すように、各方位番号及びライン番号に対して、各測距点の距離と反射強度とを対にしたデータが定義される。

前記の［数１］において、ｉはライン番号、ｊは方位番号、ｒは距離、Ｉは反射強度を表す。
次に、車両制御部３０においては、ＣＰＵ，ＲＯＭ，ＲＡＭ等からなる周知のコンピュータとして構成されており、ＲＯＭ等に記憶されたプログラムに従って、自車両の挙動を制御する処理や、運転者に対する報知を行う等の各種処理を実施する。例えば、車両制御部３０は、自車両の挙動を変更するような（或いは挙動の変更を促すような）運転支援を行う旨の指令をレーダ装置１０から受けると、この指令に応じた制御信号を表示装置、音声出力装置、制動装置、操舵装置等の何れかに出力するようにすればよい。

［１−２．処理］
このように構成された運転支援システム１において、レーダ制御部１１のＣＰＵ１８は、メモリ１９に記録されたプログラムに基づいて図３に示す物体認識処理を実施する。物体認識処理は、例えば１サイクル分の全ライン及び全方位の測距点群が取得される毎に実施される処理である。

物体認識処理では、図３に示すように、先ず、Ｓ１１０にて、測距点群が取得される。測距点群とは、レーザ光の照射領域毎に取得される物体の座標を表す１サイクル分の測距点の集合であり、測距点の距離（或いは３次元座標）と反射強度の情報とが含まれる。

続いて、Ｓ１２０にてクラスタリング処理が実行され、Ｓ１３０にて、クラスタリング処理で特定された各クラスタの追跡が実行される。クラスタリング処理では、例えば、互いに近接する複数の測距点をクラスタリングすることで、各物体に対応するクラスタが取得される。

また、追跡処理では、現時点で特定されているクラスタの位置が前フレーム（前サイクルにて取得された測距点群）にて特定されたクラスタに近接するか否かを判定し、近接する場合にこれらが同じ物体から取得されたクラスタであると推定する。この場合、各クラスタを時間方向に紐付け各ＩＤを付与し、カルマンフィルタにより運動状態をフィルタリングして各クラスタの速度が算出される。

詳細には、例えば、「Multilayer LIDAR-Based Pedestrian Tracking in Urban Environments, S. Sato, M. Hashimoto, M. Takita, K. Takagi, T. Ogawa; IV2010」 等にて開示されている手法が採用できる。

Ｓ１２０では、このようなクラスタリング処理によって１つ又は複数のクラスタが取得される。Ｋ個のクラスタが取得された場合、各クラスタをＣ^ｋ と表す。
ここで、図４に測距点群とクラスタリング結果の一例を示す。なお、本実施形態では、自車両の右方向をｘ軸の正とし、自車両の前方をｙ軸の正とする。また、鉛直方向の上方向をｚ軸の正とする。図４に示す例では、例えば、クラスタの左端と右端との中心におけるｘ座標をｘ^ｋ、クラスタの前端のｙ座標をｙ^ｋとする。

クラスタＣ^ｋ を構成する測距点の集合がクラスタ点群であり、例えば、図５に示すように、Ｎ^ｋ 個の測距点で構成される点群としてＲＡＭ等のメモリに保持される。
続いて実行されるＳ１４０以降の処理は、クラスタＣ^ｋ 毎に個々に並列して実行されるが、以下、説明の便宜上、単一のクラスタＣのみが取得されているものとして説明する。Ｓ１４０では、処理対象のクラスタＣに対して現時点（すなわち直近の時点）でデータが取得されている単一フレーム特徴（すなわち各時点のクラスタ点群に対して個々に取得可能な特徴量）が、フレーム毎に算出（すなわち取得）される。この処理では、図６に詳細に示すように、Ｓ１４２による領域分割処理、Ｓ１４３による重み付き重心算出処理、Ｓ１４４による測距点数の局所割合算出処理、Ｓ１４５〜Ｓ１４７による回転・位置補正処理、Ｓ１４８による幅算出処理が、順次実行される。

Ｓ１４２では、クラスタＣに属するクラスタ点群を複数領域に分割する領域分割処理が実行される。このような領域分割処理は、前記特許文献１等にも詳細に記載されているので、ここでは詳述しない。このように領域分割の方法は種々考えられるが、以下の説明では、前述のライン毎に領域が分割されるものとする。

続くＳ１４３では、図7及び下記の［数２］に示すような反射強度を付随する測距点データに基づき、下記の［数３］に示すような重み付き重心と、［数４］に示すようなライン別重み付き重心とが、クラスタＣの特徴量として算出される。

なお、［数３］［数４］におけるＯ_Ｂは、クラスタＣの外接矩形の中心座標である。
例えば、各測距点Ｐ_ｎ （図８では単にＰと記載）が、図８に例示するような下方へ行くほど大きい反射強度を有する場合、［数３］により算出される重み付き重心ＦＷ１は、重み付けを行わずに従来の方法で計算した重心ＦＷ０に比べて、白い矢印で示したように下方へずれる。図８の例では、歩行者に対応したクラスタＣの脚部における反射強度が大きいためにこのような結果となる。

続くＳ１４４では、下記の［数５］に示す式により、測距点数の局所割合が、特徴量としてライン毎に算出される。図９に示す例では、ラインｉの測距点数Ｎⁱ が、最も上のライン１から順に、Ｎ^１＝３，Ｎ^２＝８，Ｎ^３＝９，Ｎ^４＝７，Ｎ^５＝４，Ｎ^６＝４となっている。また、測距点数の総数Ｎは３５である。このため、ラインiの測距点数の割合Ｆ_ｒ ⁱは、ライン１から順に、Ｆ_ｒ ^１＝３／３５，Ｆ_ｒ ^２＝８／３５，Ｆ_ｒ ^３＝９／３５，Ｆ_ｒ ^４＝７／３５，Ｆ_ｒ ^５＝４／３５，Ｆ_ｒ ^６＝４／３５となる。なお、このような測距点数の局所割合は、自車両と物体５０との距離（すなわち受信手段とクラスタ点群との距離）に依存しないといった優れた特性を有する。

Ｓ１４５〜Ｓ１４７による回転処理では、先ず、Ｓ１４５にて、クラスタＣがｘｙ平面へ射影される。ｘｙ平面への射影とは、３次元空間の任意の点（ｘ、ｙ、ｚ）を２次元空間の点（ｘ、ｙ）に写像することを意味する。

次に、Ｓ１４６にて、射影後のクラスタ点群に対して主成分分析が実行される。例えば、主成分分析の結果を図１０の上段に破線矢印で表す。ハッチングを施したＣ（ｔ）が、現時点ｔで取得されているクラスタＣに対する主成分分析であり、ハッチングを施していないＣ（ｔ−１）が、前サイクルの時点（ｔ−１）で取得されたクラスタＣに対する主成分分析である。

続くＳ１４７では、クラスタＣを構成するクラスタ点群の位置及び回転量の補正が実行される。この処理うち、位置の補正としては、自車両と物体５０との位置関係の変化に応じた物体５０の位置及び大きさの変化を補正すべく、クラスタＣを構成するクラスタ点群の平行移動及び相似変換が、クラスタ点群の重心位置等に応じて実行される。また、回転量の補正としては、図１０の上段から下段に向かう矢印で示すように、第１主成分である長軸がｘ軸と平行になるように回転する座標変換が実行され、補正クラスタＣ'（ｔ）およびＣ'（ｔ−１）を得る。

続くＳ１４８では、クラスタＣの幅、すなわち前記位置及び回転量の補正後におけるｘ軸方向の大きさでもある第１主成分方向の大きさが、各ラインの特徴量として検出され、処理は、図３に示すＳ１５０へ移行する。

なお、Ｓ１４０にて算出される単一フレーム特徴としては、前記各特徴量の他、例えば、選定した測距点から得られる、クラスタＣの高さ、アスペクト比、等の各種特徴量が算出されてもよい。

Ｓ１５０では、処理対象のクラスタＣに対して現時点（すなわち直近の時点）でデータが取得されている複数フレーム特徴が算出される。この処理では、図１１に示すように、Ｓ１５１による単一フレーム特徴の時間的変動算出、Ｓ１５２による対応点マッチング、Ｓ１５３，Ｓ１５４による各対応点に係る特徴量算出が、順次実行される。

Ｓ１５１では、前述のＳ１４０で算出された単一フレーム特徴に係る時間的変動が算出される。また、この時間的変動の算出は、直近の２フレーム間の変動、直近の３フレーム間の変動、といった具合に、対象となるフレーム数を種々に変更して実行されてもよい。

例えば、第２主成分方向に見たクラスタＣの形状が、図１２に示すように変化する場合、そのクラスタＣに対してＳ１４８で算出された特徴量としての「幅」は、図１３に示すように変化する。そこで、Ｓ１５１では、この「幅」の時間的変動に係る特徴量が算出されてもよい。その場合、時間的変動に係る特徴量は、レンジ（すなわち、最大値と最小値との差）や分散値が特徴量として算出されてもよい。例えば、レンジが特徴量として算出される場合、クラスタＣが歩行者である場合と電柱等のポールである場合とで、特徴量は大きく異なる。すなわち、図１３に矢印で示すように、クラスタＣが歩行者である場合は、クラスタＣがポールである場合に比べて、幅変動のレンジが極めて大きくなる。

従って、このような特徴量は、クラスタＣ、すなわち、光学ユニット１３が検出した物体５０が、歩行者等の非剛体であるか電柱等の剛体であるかを識別するのに極めて有効な特徴量となる。なお、前記特徴量としての「幅」に対しては、クラスタＣの全体の幅に対して時間的変動に係る特徴量が算出されてもよく、クラスタＣの各ラインの幅に対して時間的変動に係る特徴量が算出されてもよい。

また、Ｓ１５１では、Ｓ１４３で算出された重み付き重心又はライン別重み付き重心の時間的変動に係る特徴量が算出されてもよい。図８に例示されたように、歩行者がこちら向きに歩いて来る場合、脚部や腕はレーザ光に対する受光面（すなわち反射面）の角度が歩行動作に応じて変化する。このため、脚部や腕の反射強度も変化し、ひいては、重み付き重心及びライン別重み付き重心も歩行動作に応じて変化する。従って、このような特徴量も、クラスタＣ、すなわち、光学ユニット１３が検出した物体５０が、歩行者等の非剛体であるか電柱等の剛体であるかを識別するのに極めて有効な特徴量となる。また、Ｓ１５１にて算出されるこれらの時間的変動は、レンジであってもよく、分散値であってもよい。

続くＳ１５２では、Ｓ１４７にて位置及び回転量が補正されたクラスタＣにおいて対応点をマッチングする。対応点とは、クラスタＣを構成するクラスタ点群において、処理対象となる複数フレーム（すなわち複数時刻）において同一点とみなせる測距点である。なお、このような対応点のマッチング方法としては、周知の種々の方法が適用可能であるが、例えば、最近傍に存在する測距点を同一点とみなすことによって対応点をマッチングしてもよい。

続くＳ１５３では、各対応点の座標の変動量が算出される。なお、この変動量は、レンジとして算出されてもよく、分散値として算出されてもよい。図１４に示すように、歩行者に対応するクラスタＣにおける肘に対応する部分に対応点ＰＰ（ｔ−４）からＰＰ（ｔ）をマッチングしたとする。すると、対応点ＰＰの横位置、すなわちクラスタＣの重心に対する第１主成分方向の位置は、例えば図１５に示すように変動する。この変動は、クラスタＣが歩行者である場合と電柱等のポールである場合とで大きく異なる。図１５に矢印で示すように、クラスタＣが歩行者である場合は、クラスタＣがポールである場合に比べて、横位置変動のレンジが極めて大きくなる。従って、このような特徴量は、クラスタＣ、すなわち、光学ユニット１３が検出した物体５０が、歩行者等の非剛体であるか電柱等の剛体であるかを識別するのに極めて有効な特徴量となる。なお、対応点ＰＰの横位置の変動は、レンジの代わりに分散値によって評価されてもよい。

但し、対応点は一般にＳ１５２にて複数選定される。そこで、Ｓ１５４では、各対応点の変動量に対して、その変動量の総和を対応点のペア数（すなわち組数）で除算することにより、平均値を求めてそれを特徴量とする処理が実行される。なお、この平均値は、クラスタＣにおける全ての対応点ＰＰに対して一括して算出されてもよく、ライン毎に算出されてもよい。このように平均値によって表される特徴量も、クラスタＣ、すなわち、光学ユニット１３が検出した物体５０が、歩行者等の非剛体であるか電柱等の剛体であるかを識別するのに極めて有効な特徴量となる。

Ｓ１５４にてこのような特徴量が算出されると、処理は図３に示すＳ１６０へ移行する。なお、Ｓ１５０にて算出される複数フレーム特徴としては、前記各特徴量の他、例えば、クラスタＣの相対速度等の各種特徴量が算出されてもよい。

Ｓ１６０では、識別処理が実施される。識別処理は、Ｓ１４０，Ｓ１５０で算出された特徴量に対応する物体５０の属性（すなわち種別）を識別する処理である。この識別処理の方法としては、例えば、前記特徴量と予め用意された識別モデルを用いて識別スコアの演算を行う方法が適用できる。例えば、既知の多クラスＳＶＭ（Support Vector Machine）を用いる方法が適用できる。その処理では、予め属性毎にＳＶＭモデルを学習しておき、各モデルと前記算出された特徴量とを用いて各属性の識別スコアが求められる。そして、識別スコアが最大となるモデルの属性が、そのクラスタＣを示す属性として決定される。なお、特徴量がライン毎に算出されている場合、前記ＳＶＭモデルは特徴量の各ラインの分布を示すものであるのが望ましい。

前述のように、Ｓ１４０では単一フレームから特徴量が算出されるが、Ｓ１５０では複数フレームから特徴量が算出される。また、複数フレームから特徴量が算出される場合も、２フレームから算出される場合、３フレームから算出される場合など、種々の形態がある。図１６には、それらの特徴量を、Ｆ_１（ｔ−２），Ｆ_１（ｔ−１），Ｆ_１（ｔ），Ｆ_２（ｔ−２，ｔ−１），Ｆ_２（ｔ−１，ｔ），Ｆ_３（ｔ−２，ｔ−１，ｔ）として模式的に表した。

そして、それぞれの特徴量に対して、Ｓ１６０で識別される属性が、互いに異なる場合がある。ここで、仮に、前記各特徴量に対して識別された属性を、Ｄ_１（ｔ−２），Ｄ_１（ｔ−１），Ｄ_１（ｔ），Ｄ_２（ｔ−２，ｔ−１），Ｄ_２（ｔ−１，ｔ），Ｄ_３（ｔ−２，ｔ−１，ｔ）とする。

Ｓ１６０に続くＳ１７０では、このように各特徴量に対して識別された属性から、投票法による属性判定が実行される。図１７は、その投票法による属性判定を模式的に表している。本実施形態では、前記各特徴量に対して識別された属性Ｄ_１（ｔ−２），Ｄ_１（ｔ−１），Ｄ_１（ｔ），Ｄ_２（ｔ−２，ｔ−１），Ｄ_２（ｔ−１，ｔ），Ｄ_３（ｔ−２，ｔ−１，ｔ）の信頼度を、それぞれｗ^１ _１，ｗ^２ _１，ｗ^３ _１，ｗ^１ _２，ｗ^２ _２，ｗ^１ _３とする。信頼度ｗとしては、前述の識別スコアが利用されてもよい。Ｓ１７０では、各属性Ｄを信頼度ｗで重み付けして投票がなされることによって、最終結果としての属性Ｄが判定される。このような処理が終了すると、Ｓ１７０の識別処理が終了し、図３の物体認識処理も終了する。

［１−３．効果］
（１Ａ）前記のように詳述した第１実施形態の運転支援システム１においてレーダ制御部１１は、重み付き重心、ライン別重み付き重心、測距点数の局所割合、及び、クラスタＣの幅をクラスタＣの特徴量としてフレーム毎に算出する。また、レーダ制御部１１は、それらの特徴量の時間的変動や、対応点の変動量も、クラスタＣの特徴量として算出する。レーダ制御部１１は、これらの特徴量に基づいて物体５０を識別するので、物体の識別精度を良好に向上させることができる。また、前記第１実施形態において、各特徴量をライン毎に算出した場合には、物体の識別精度を一層良好に向上させることができる。

（１Ｂ）特に、前述のように、クラスタＣの幅の時間的変動、重み付き重心の時間的変動、及び、対応点ＰＰの横位置の変動は、クラスタＣ、すなわち、光学ユニット１３が検出した物体５０が、歩行者等の非剛体であるか電柱等の剛体であるかを識別するのに極めて有効な特徴量となる。レーダ制御部１１は、これらの特徴量に基づいて物体５０を識別するので、歩行者等の非剛体と電柱等の剛体とを極めて正確に識別することができる。

（１Ｃ）更に、レーダ制御部１１は、投票法によって最終結果としての属性Ｄを判定している。すなわち、各種特徴量に基づく識別結果に応じて、総合的に物体５０を識別するので、物体５０が何であるかを、極めて正確に識別することができる。しかも、その投票法も、信頼度ｗによる重み付けを利用した投票法であるので、物体の識別精度を一層向上させることができる。

（１Ｄ）また、レーダ制御部１１は、車両といった移動体に搭載されて剛体／非剛体の識別が可能であるので、当該移動体の移動に係る安全性を向上させることができる。なお、移動体としては、自動車等の車両以外にも、自転車等の軽車両や電車、或いは飛行機や船舶や宇宙船等が含まれてもよい。

（１Ｅ）本実施形態では、クラスタＣの移動方向等の方向情報を含む量を特徴量として算出するのではなく、レンジや分散値といった方向情報を含まない量を特徴量として算出している。このため、動き自体の多様性を排すことができ、識別性能を向上することができる。

［１−４．特許請求の範囲の要素との対応］
前記実施形態において、光学ユニット１３が受信手段に対応し、レーダ制御部１１が測距手段、クラスタリング手段、変動抽出手段、識別手段、特徴抽出手段、マッチング手段、及び、指標抽出手段に対応する。また、レーダ制御部１１の処理のうち、Ｓ１１０が測距手段に、Ｓ１２０がクラスタリング手段に、Ｓ１５０が変動抽出手段に、Ｓ１６０及びＳ１７０が識別手段に、Ｓ１４０が特徴抽出手段に、Ｓ１５２がマッチング手段に、それぞれ対応する。また、時間的変動に係るいずれかの特徴量を算出するためのＳ１５０における処理を変動抽出手段とした場合、当該特徴量以外の特徴量は指標に対応する。そして、その特徴量を算出するためのＳ１４０又はＳ１５０における処理（例えば、Ｓ１４４）が指標抽出手段に対応する。また、データ取得サンプリング時間が時点に対応する。

［２．他の実施形態］
以上、本発明を実施するための形態について説明したが、本発明は前述の実施形態に限定されることなく、種々変形して実施することができる。

（２Ａ）前記第１実施形態では、測距点群の位置を、ライン番号ｉ、方位番号ｊ、距離ｒからなる極座標で３次元空間上の位置を取得しているが、これに限定されるものではない。例えば、３次元の直交座標における測距点群の位置が直接取得されてもよい。

（２Ｂ）前記第１実施形態における処理は一部が省略されてもよい。すなわち、前記第１実施形態に挙げた各種特徴量のうち、一部を使用してＳ１６０，Ｓ１７０による識別が実行されてもよい。そして、前述の特徴量がいずれか１つだけ使用される場合は、Ｓ１７０による投票処理は省略される。

（２Ｃ）前記第１実施形態におけるクラスタリング（Ｓ１２０）や追跡（Ｓ１３０）は、一例であって、これに限定されるものではない。クラスタリング及び追跡の処理は、周知の他の処理によってなされてもよい。

（２Ｄ）前記特徴量及び指標は、クラスタ点群を構成する測距点から取得され、かつ、クラスタ点群に対応する物体の識別に利用可能なパラメータであれば、種々のパラメータが使用可能である。例えば、クラスタ点群を構成する各測距点の個々の座標が、特定のモデルと直接比較されてもよい。その場合、投票に用いられる単一フレームからの識別結果は、いわゆるモデルフィッティングによって得られた識別結果であってもよい。また、変動抽出手段によって取得されるクラスタ点群に係る測定量の時間的変動としても、クラスタ点群に対応する物体の識別に利用可能な測定量の時間的変動であれば、種々の測定量の時間的変動が使用可能である。

（２Ｅ）前記第１実施形態では、レーダ装置１０によって構成される物体認識装置が乗用車等の車両に搭載されたが、これに限定されるものではない。例えば、物体認識装置は、自転車等の軽車両や電車、或いは飛行機や船舶や宇宙船等の他の移動体に搭載されてもよく、室内等に設置されたり家庭用電化製品等に搭載されたりしてもよい。

（２Ｆ）前記第１実施形態では、クラスタ点群を水平方向の各ラインの領域に分割したが、クラスタ点群の分割方法はこれに限定されるものではない。例えば、クラスタ点群は鉛直方向に等分割されてもよい。

（２Ｇ）前記第１実施形態では、電磁波としてレーザ光を使用したがこれに限定されるものではない。当該物体認識装置が識別しようとする物体に応じて、その識別のために必要とされる直進性を有するものであれば、種々の電磁波又は音波が使用可能である。

（２Ｈ）前記第１実施形態では、各種属性を支持する識別結果の数に信頼度で重み付けをした数が最も多いものを最終結果としての属性とする投票法によって、各識別結果に応じて総合的に物体を識別しているが、これに限定されるものではない。各識別結果に応じて総合的に物体を識別する形態としては、各識別結果をそれぞれ何らかの形で参照する形態であればよく、種々の形態が考えられる。例えば、重み付けをしない投票法が利用されてもよく、全ての識別結果が一致した場合にのみ識別結果が出力されてもよい。

（２Ｉ）前記実施形態における１つの構成要素が有する複数の機能を、複数の構成要素によって実現したり、１つの構成要素が有する１つの機能を、複数の構成要素によって実現したりしてもよい。また、複数の構成要素が有する複数の機能を、１つの構成要素によって実現したり、複数の構成要素によって実現される１つの機能を、１つの構成要素によって実現したりしてもよい。また、前記実施形態の構成の一部を省略してもよい。また、前記実施形態の構成の少なくとも一部を、他の前記実施形態の構成に対して付加又は置換してもよい。なお、特許請求の範囲に記載した文言のみによって特定される技術思想に含まれるあらゆる態様が本発明の実施形態である。

（２Ｊ）前述した運転支援システムの他、当該運転支援システムを構成要素となる制御装置、当該運転支援システムとしてコンピュータを機能させるためのプログラム、このプログラムを記録した半導体メモリ等の非遷移的実態的記録媒体、運転支援方法など、種々の形態で本発明を実現することもできる。

１…運転支援システム １０…レーダ装置 １１…レーダ制御部
１３…光学ユニット １８…ＣＰＵ １９…メモリ
５０…物体 Ｃ…クラスタ ＦＷ０…通常の重心
ＦＷ１…重み付き重心 Ｐ…測距点 ＰＰ…対応点

Claims (19)

1. 物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を取得する受信手段（１３）と、
   前記受信手段が取得した情報に基づき、前記各点の３次元空間上の位置を取得する測距手段（１１，Ｓ１１０）と、
   前記測距手段によって前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得するクラスタリング手段（１１，Ｓ１２０）と、
   前記クラスタリング手段が取得したクラスタ点群に係る測定量の時間的変動を取得する変動抽出手段（１１，Ｓ１５０）と、
   前記変動抽出手段が取得した時間的変動に基づき、前記クラスタ点群に対応する物体を識別する識別手段（１１，Ｓ１６０，Ｓ１７０）と、
   を備えた物体認識装置。
2. 前記クラスタリング手段が各時点で取得したクラスタ点群に対して前記時点毎に取得可能な特徴量を、前記測定量として取得する特徴抽出手段（１１，Ｓ１４０）を、
   更に備え、
   前記変動抽出手段（１１，Ｓ１５１）は、前記特徴量の時間的変動を取得することを特徴とする請求項１に記載の物体認識装置。
3. 前記特徴抽出手段は、前記クラスタ点群を複数領域に分割し、その領域毎に前記特徴量を取得し、
   前記変動抽出手段は、前記領域毎に前記特徴量の時間的変動を取得することを特徴とする請求項２に記載の物体認識装置。
4. 前記クラスタリング手段が複数の時点で取得したクラスタ点群において同一点とみなせる少なくとも１つの測距点を対応点として、前記対応点の位置を前記測定量として取得するマッチング手段（１１，Ｓ１５２）を、
   更に備え、
   前記変動抽出手段（１１，Ｓ１５３，Ｓ１５４）は、前記マッチング手段が取得した対応点の位置の時間的変動を取得することを特徴とする請求項１に記載の物体認識装置。
5. 前記マッチング手段は、前記クラスタ点群を複数領域に分割し、その領域毎に前記対応点の位置を取得し、
   前記変動抽出手段は、前記領域毎にその領域に属する前記対応点の位置の時間的変動を取得することを特徴とする請求項４に記載の物体認識装置。
6. 前記変動抽出手段（１１，Ｓ１５１，Ｓ１５４）とは異なる方法で、前記物体を識別するための指標を取得する指標抽出手段（１１，Ｓ１５１，Ｓ１５４，Ｓ１４３，Ｓ１４４）を、
   更に備え、
   前記識別手段（１１，Ｓ１７０）は、前記変動抽出手段が取得した時間的変動に基づく前記物体の識別結果と、前記指標抽出手段が取得した指標に基づく前記物体の識別結果とに応じて、前記物体を識別することを特徴とする請求項１〜５のいずれか１項に記載の物体認識装置。
7. 前記受信手段は、前記複数の測距点に対して、前記電磁波又は音波に対する各測距点の反射強度も、前記情報と共に取得し、
   前記指標抽出手段（１１，Ｓ１４３）は、前記クラスタ点群に属する少なくとも一部の測距点に対して、その測距点の反射強度で重みづけされた前記位置に係る指標を取得することを特徴とする請求項６に記載の物体認識装置。
8. 前記指標抽出手段は、前記クラスタ点群に属する全ての測距点に対して、その測距点の反射強度で重みづけされた重心位置を、前記指標として取得することを特徴とする請求項７に記載の物体認識装置。
9. 前記指標抽出手段は、前記クラスタ点群を複数領域に分割し、前記領域毎に、各領域に属する全ての測距点に対して、その測距点の反射強度で重みづけされた重心位置を、前記指標として取得することを特徴とする請求項７に記載の物体認識装置。
10. 前記指標抽出手段（１１，Ｓ１４４）は、前記クラスタリング手段が各時点で取得したクラスタ点群を複数領域に分割し、前記各領域における前記各時点の前記クラスタ点群に対して前記時点毎に取得可能な特徴量を、前記領域毎に取得し、前記各時点における前記各領域の前記特徴量の分布を、前記指標として取得することを特徴とする請求項６に記載の物体認識装置。
11. 前記指標抽出手段が取得する特徴量は、前記各領域の前記クラスタ点群に属する測距点数に応じた値であることを特徴とする請求項１０に記載の物体認識装置。
12. 物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を、前記電磁波又は音波に対する各点の反射強度と共に取得する受信手段（１３）と、
    前記受信手段が取得した情報に基づき、前記各点の３次元空間上の位置を取得する測距手段（１１，Ｓ１１０）と、
    前記測距手段によって前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得するクラスタリング手段（１１，Ｓ１２０）と、
    前記クラスタリング手段が取得したクラスタ点群に属する少なくとも一部の測距点に対して、その測距点の反射強度で重みづけされた当該測距点の位置に基づき、前記クラスタ点群に対応する物体を識別する識別手段（１１，Ｓ１６０，Ｓ１７０）と、
    を備えた物体認識装置。
13. 前記識別手段は、前記クラスタ点群に属する全ての測距点に対して、その測距点の反射強度で重みづけされた重心位置に基づいて、前記クラスタ点群に対応する物体を識別することを特徴とする請求項１２に記載の物体認識装置。
14. 前記識別手段は、前記クラスタ点群を複数領域に分割し、前記領域毎に、各領域に属する全ての測距点に対して、その測距点の反射強度で重みづけされた重心位置を取得し、前記各領域の前記重心位置に基づいて、前記クラスタ点群に対応する物体を識別することを特徴とする請求項１２に記載の物体認識装置。
15. 物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して、前記各点の反射信号を表す情報を取得する受信手段（１３）と、
    前記受信手段が取得した情報に基づき、前記各点の３次元空間上の位置を取得する測距手段（１１，Ｓ１１０）と、
    前記測距手段によって前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得するクラスタリング手段（１１，Ｓ１２０）と、
    前記クラスタリング手段が各時点で取得したクラスタ点群を複数領域に分割し、前記各領域における前記各時点の前記クラスタ点群に対して前記時点毎に取得可能な特徴量を、前記領域毎に取得する特徴抽出手段（１１，Ｓ１４０，Ｓ１５０）と、
    前記特徴抽出手段が取得した特徴量の前記各時点における前記各領域の分布に基づき、前記クラスタ点群に対応する物体を識別する識別手段（１１，Ｓ１６０，Ｓ１７０）と、
    を備えた物体認識装置。
16. 前記特徴抽出手段が取得する特徴量は、前記各領域の前記クラスタ点群に属する測距点数に応じた値であることを特徴とする請求項１５に記載の物体認識装置。
17. 物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して取得された前記各点の反射信号を表す情報を、処理するコンピュータ（１１）に、
    前記取得された情報に基づき、前記各点の３次元空間上の位置を取得させ（Ｓ１１０）、
    前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得させ（Ｓ１２０）、
    前記取得されたクラスタ点群に係る測定量の時間的変動を取得させ（Ｓ１５０）、
    前記取得された時間的変動に基づき、前記クラスタ点群に対応する物体を識別（Ｓ１６０，Ｓ１７０）させるためのプログラム。
18. 物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して取得された前記各点の反射信号を表す情報及び前記電磁波又は音波に対する前記各点の反射強度を、処理するコンピュータ（１１）に、
    前記取得された情報に基づき、前記各点の３次元空間上の位置を取得させ（Ｓ１１０）、
    前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得させ（Ｓ１２０）、
    前記取得されたクラスタ点群に属する少なくとも一部の測距点に対して、その測距点の反射強度で重みづけされた当該測距点の位置に基づき、前記クラスタ点群に対応する物体を識別（Ｓ１６０，Ｓ１７０）させるためのプログラム。
19. 物体を検出するための対象となる検出領域に電磁波又は音波を照射してその電磁波又は音波に対する反射波を受けることにより、前記検出領域に存在する物体上の複数の点に対して取得された前記各点の反射信号を表す情報を、処理するコンピュータ（１１）に、
    前記取得された情報に基づき、前記各点の３次元空間上の位置を取得させ（Ｓ１１０）、
    前記位置を取得された点を測距点として、前記各測距点に対し、クラスタリングを行ってクラスタ点群を取得させ（Ｓ１２０）、
    各時点で取得された前記クラスタ点群を複数領域に分割させ、前記各領域における前記各時点の前記クラスタ点群に対して前記時点毎に取得可能な特徴量を、前記領域毎に取得させ（Ｓ１４０，Ｓ１５０）、
    前記取得された特徴量の前記各時点における前記各領域の分布に基づき、前記クラスタ点群に対応する物体を識別させる（Ｓ１６０，Ｓ１７０）ためのプログラム。