JP3908212B2 - インターホン装置，インターホン装置における音声変換方法，インターホン装置用音声変換プログラム - Google Patents

Description

本発明は，玄関と室内とを連絡用として用いるインターホン装置に関し，特に，訪問者に応じて自動的に音声を変換して出力するようにしたインターホン装置，インターホン装置における音声変換方法，インターホン装置用音声変換プログラムに関する。

従来からカメラ付きのドアホン装置等はあった。例えば，下記の特許文献１には，ビデオカメラに電源が投入された時に色調整等のために発生する映像のゆらぎが住戸のモニタテレビに出力されるのを防止し得るカメラドアホン装置について記載されている。なお，インターホン装置に関する技術ではないが，顔画像データから性別・年齢を推定する技術については，以下の特許文献２に記載されている。
特開平８−４６９５４号公報 特開２００３−９９７７９号公報

従来のインターホンでは，映像で撮影された人物に応じて，室内で対応した人物の音声を変換することができなかった。そのため，インターホンを玄間と室内との連絡用として用いると，インターホンを介して，部屋の住人が女性であるかもしくは子供であるかなどが外部の人間にわかってしまい防犯上の問題があった。

本発明は，上記従来技術の問題点を解決し，映像で撮影された人物に応じて，対応したユーザの音声を変換することによって，女性を狙って何度も同じ家に訪問する訪問販売者等を避けるのに有効な手段を提供することを目的とする。

本発明は，上記課題を解決するため，室外と室内の連絡用として用いるインターホン装置であって，過去に検出した人物の特徴量とその人物に対して過去にユーザが音声変換を希望したか否かを示す情報とを格納するユーザデータベースと，室外のカメラで撮影された映像から人物を検出する人物検出手段と，検出した人物の特徴量を抽出する特徴量抽出手段と，抽出した人物の特徴量が前記ユーザデータベースに登録されているか否かを判別する手段と，抽出した人物の特徴量が前記ユーザデータベースに登録されている場合には，その人物に対して過去にユーザが音声変換を希望したか否かを示す情報を読み出し，音声変換を希望したときには，ユーザの音声を変換して出力し，音声変換を希望していなかったときには，ユーザの音声を変換しないで出力する手段と，抽出した人物の特徴量が前記ユーザデータベースに登録されていない場合には，ユーザに音声変換を希望するか否かを問い合わせ，その問い合わせ結果をもとに前記ユーザデータベースに前記抽出した人物の特徴量とその人物に対してユーザが音声変換を希望したか否かを示す情報とを対応させて登録し，前記問い合わせ結果が音声変換を希望するである場合には，ユーザの音声を変換して出力し，前記問い合わせ結果が音声変換を希望しないである場合には，ユーザの音声を変換しないで出力する手段とを備えることを特徴とする。

また，本発明は，玄関と室内の連絡用として用いるインターホン装置における音声変換方法であって，室外のカメラで撮影された映像から人物を検出し，検出した人物の特徴量を抽出し，過去に検出した人物の特徴量とその人物に対して過去にユーザが音声変換を希望したか否かを示す情報とを格納するユーザデータベースを参照して，前記抽出した人物の特徴量が前記ユーザデータベースに登録されているか否かを判別し，前記抽出した人物の特徴量が前記ユーザデータベースに登録されている場合には，その人物に対して過去にユーザが音声変換を希望したか否かを示す情報を読み出し，音声変換を希望したときには，ユーザの音声を変換して出力し，音声変換を希望していなかったときには，ユーザの音声を変換しないで出力し，一方，前記抽出した人物の特徴量が前記ユーザデータベースに登録されていない場合には，ユーザに音声変換を希望するか否かを問い合わせ，その問い合わせ結果をもとに前記ユーザデータベースに前記抽出した人物の特徴量とその人物に対してユーザが音声変換を希望したか否かを示す情報とを対応させて登録し，前記問い合わせ結果が音声変換を希望するである場合には，ユーザの音声を変換して出力し，前記問い合わせ結果が音声変換を希望しないである場合には，ユーザの音声を変換しないで出力することを特徴とする。

以上のインターホン装置における音声変換方法の処理は，インターホン装置が備えるマイクロコンピュータとソフトウェアプログラムとによって実現することができ，そのプログラムをコンピュータ読み取り可能な記録媒体に記録することができる。

本発明によれば，映像で撮影された人物に応じて，対応したユーザの音声を変換することが可能となる。これにより，訪問者は，現在の在宅者が女性もしくは子供などであることがインターホンを介して分からず，ホームセキュリティを高めることができる。

図１は，本発明のシステム構成例を示す図である。１はインターホン装置，２は玄関に設置されるカメラ付きのインターホン端末，３は室内に設置され，在宅者が訪問者に対応するためのユーザ端末である。

インターホン装置１は，インターホン端末２およびユーザ端末３との間で情報を送受信するための送受信手段１１，ユーザの音声を変換する音声変換手段１２，インターホン端末２により撮影された映像から人物および顔画像を検出する人物検出手段１３，検出された人物の顔，性別，年齢，身長等の特徴量を抽出する特徴量抽出手段１４，記憶手段１５から構成される。記憶手段１５内において，１５１は検出された人物の特徴量やユーザ設定情報が登録されるユーザデータベース（ＤＢ）である。これらの各手段は，マイクロコンピュータおよびソフトウェアプログラム等によって実現される。インターホン装置１は，ユーザ端末３と同一の筐体にあってもよい。

インターホン装置１には，送受信手段１１を介して訪問者が対応するためのインターホン端末２およびユーザが操作するユーザ端末３が接続されている。インターホン端末２は，送受信手段２１，訪問者を撮影する映像撮像手段２２，呼び出し手段（呼び出しボタン）２３，通話手段２４から構成される。ユーザ端末３は，送受信手段３１，表示手段３２，ユーザが操作可能な操作手段３３，通話手段３４から構成される。

〔第１の実施の形態〕
図２は，本発明の第１の実施の形態を示す図である。これはユーザ宅に初めて人物が訪問する際に，ユーザが訪問者を見てから音声を変換するかどうかを判断する場合の例である。登録された人物が訪問した場合には，登録情報をもとに自動で音声を変換する。

ユーザ宅に訪問者が現れた場合，インターホン端末２は映像撮像を開始し（ステップＳ２０１），呼び出しボタンを訪問者が押すと呼び出し信号をインターホン装置１に送信する（ステップＳ２０２）。

インターホン装置１は，インターホン端末２から映像および呼び出し信号を受信すると（ステップＳ１０１），映像から人物および人物の顔の検出処理を行う（ステップＳ１０２）。この人物検出処理の方法は，画像処理で背景差分を用いて，動画物体を検出し，検出された動画物体の中から顔の位置を検出する方法などを用いればよい。次に検出された顔の中から顔認識のための特徴量を抽出し（ステップＳ１０３），抽出された特徴量をユーザＤＢ１５１へ問い合わせ，登録された訪問者であるかを調べる（ステップＳ１０４）。次に，ユーザＤＢ１５１に問い合わせた結果から，訪問者が既に登録された人物かを判断し，その情報をユーザ端末３に送信して，ユーザに提示する（ステップＳ１０５）。

次に，ユーザ端末３は，訪問者の映像受信・表示と同時に，映像の人物が以前の訪問者であるか否かの問い合わせ結果を提示する（ステップＳ３０１）。既に登録された人物であるかどうかをユーザが確認の後（ステップＳ３０２），既に登録があった場合には，ユーザ端末３は訪問者と通話するためにユーザ応答信号をインターホン装置１に送信する（ステップＳ３０３）。インターホン装置１は，ユーザＤＢ１５１に問い合わせ，以前の対応結果，すなわち以前に音声をどのように変換して対応したかの情報をもとに音声変換方法を決定する（ステップＳ１０６）。

また，ステップＳ３０２の判定において，登緑がなかった場合（初めての訪問者の場合），ユーザ端末３は，操作手段３３から音声（声）を変換するかどうかのユーザの指示を入力する（ステップＳ３０４）。ユーザが音声を変換して対応したい訪問者の場合，音声変換の要求信号をインターホン装置１に送信し（ステップＳ３０５），ユーザ応答信号をインターホン端末２に送信する（ステップＳ３０６）。

インターホン装置１は，ユーザ端末３から音声変換要求信号（または，音声非変換要求信号）を受信し，ユーザＤＢ１５１に登録する（ステップＳ１０７）。ここでいう音声変換はユーザの音声を変化させるものであり，例えば，周波数を変換することにより，女性の音声や子供の音声を成人男性の音声に近づけるものをいう。

インターホン装置１は，ユーザが音声変換を希望していない場合には，そのままユーザ応答信号をインターホン端末２に送信する（ステップＳ１１０）。インターホン装置１は，ユーザが音声変換を希望している場合には（ステップＳ１０８），音声変換処理の設定を行い，通話が開始されたならユーザの音声を変換するようにし（ステップＳ１０９），ユーザ応答信号をインターホン端末２に送信する（ステップＳ１１０）。

インターホン端末２はユーザ応答信号を受信し（ステップＳ２０３），ユーザとの通話を開始する（ステップＳ２０４）。ユーザ端末３の通話切断要求信号（ステップＳ３０７）が，インターホン装置１から転送されると（ステップＳ１１１），通話は切断される（ステップＳ２０５）。

〔関連技術の例〕
図３は，本発明の関連技術の例を示す図である。この例では，ユーザが予め音声変換の条件を設定し，ユーザが設定した音声変換の条件の特徴をもった人物が訪問した場合には，音声変換の条件をもとに音声を自動で変換する。

ユーザは，ユーザ端末３の操作手段３３を用いて，ユーザの望む音声変換の条件を設定する（ステップＳ６０１）。設定する音声変換の条件は，例えば「訪問者が男性と判断された場合には，男性の音声を出す」，「訪問者が女性もしくは子供と判断された場合には，音声の変換をしない」というような条件である。

これらを設定するためのメニュー項目は，インターホン装置１からユーザ端末３に送られる。設定条件画面の一例を図４に示す。設定条件として，訪問者の訪問履歴，性別，年齢，身長等，種々の条件を設定対象にすることができる。例えば，図４（Ａ）の設定条件画面では，過去の訪問回数が０回と１回の場合にはユーザ端末３で入力された音声を男性の音声に変換して出力し，２回の場合および３回以上の場合には音声変換をしないという設定がされている。

図４（Ａ）の例では．過去の訪問回数を音声変換の条件にしているが，設定条件としては，図４（Ｂ）に示すように訪問者の性別を音声変換の条件にする場合や，図４（Ｃ）に示すように訪問者の身長を音声変換の条件にする場合など様々考えられる。また，顔画像データから訪問者の年齢を推定し，年齢を音声変換の条件にすることも可能である。これらの条件を組み合わせて設定することも可能である。性別・年齢推定には，サポートベクタマシン（ＳＶＭ）を用いたものや，平均顔データを用意しておき該人物の年齢と性別を推定する技術（例えば，特許文献２参照）があるので，その技術を利用すればよい。

上記ステップＳ６０１においてユーザが設定条件画面で条件を設定すると，ユーザ設定条件がインターホン装置１に送信され，ユーザ設定条件がインターホン装置１の記憶手段１５中のユーザＤＢ１５１に登録される（ステップＳ５０４）。

ユーザが条件を設定後，ユーザ宅に訪問者が現れた場合，インターホン端末２は映像撮像を開始し（ステップＳ４０１），呼び出しボタンを訪問者が押すと呼び出し信号をインターホン装置１に送信する（ステップＳ４０２）。インターホン装置１は，インターホン端末２から映像および呼び出し信号を受信すると（ステップＳ５０１），映像からの人物および人物の顔の検出処理を行う（ステップＳ５０２）。この人物検出処理の方法は，画像処理で背景差分を用いて，動画物体を検出し，検出された動画物体の中から顔の位置を検出する方法などを用いればよい。

次に，検出された顔の中から顔認識のための特徴量を抽出し（ステップＳ５０３），抽出された特徴量を見て，ユーザ設定条件とのマッチングを行う（ステップＳ５０５）。その後，マッチング結果をユーザ端末３に送信する（ステップＳ５０６）。

ユーザ端末３は，訪問者とユーザ設定条件とのマッチング結果を受信すると（ステップＳ６０２），ユーザ応答信号をインターホン装置１に送信する（ステップＳ６０３）。インターホン装置１は，マッチング結果をもとにユーザの望む音声変換処理をした後（ステップＳ５０７），ユーザ応答信号をインターホン端末２に送信する（ステップＳ５０８）。インターホン端末２はユーザ応答信号を受信すると（ステップＳ４０３），ユーザとの通話を開始する（ステップＳ４０４）。通話が終了し，ユーザ端末３の通話切断要求信号（ステップＳ６０４）が，インターホン装置１から転送されると（ステップＳ５０９），通話は切断される（ステップＳ４０５）。

以上の発明により，一度，訪問した訪問者の顔のデータベースをユーザのインターホンに登録しておき，ユーザが予め指定した人物が再度訪れた際には，自動で例えば男性の音声で対応することを可能とする。

また，ユーザが予め条件を設定し，例えば，訪問した人物の画像特徴から男性と判断された場合には，男性の音声を出力する。また，女性と判断された場合には，女性の音声を出力するというようなことも可能とする。

インターホンを玄間と室内との連絡用として用いると，インターホンを介して，部屋の住人が女性もしくは子供などがわかってしまい防犯上の問題があったが，本発明によって音声を変換することで，女性を狙って何度も同じ家に訪問する訪問販売者等には有用な手段となる。

本発明のシステム構成例を示す図である。 本発明の第１の実施の形態を示す図である。 本発明の関連技術の例を示す図である。 設定条件画面の一例を示す図である。

符号の説明

１ インターホン装置
２ インターホン端末
３ ユーザ端末
１１，２１，３１ 送受信手段
１２ 音声変換手段
１３ 人物検出手段
１４ 特徴量抽出手段
１５ 記憶手段
１５１ ユーザＤＢ
２２ 映像撮像手段
２３ 呼び出し手段
２４，３４ 通話手段
３２ 表示手段
３３ 操作手段

Claims (3)

1. 室外と室内の連絡用として用いるインターホン装置であって，
   過去に検出した人物の特徴量とその人物に対して過去にユーザが音声変換を希望したか否かを示す情報とを格納するユーザデータベースと，
   室外のカメラで撮影された映像から人物を検出する人物検出手段と，
   検出した人物の特徴量を抽出する特徴量抽出手段と，
   前記抽出した人物の特徴量が前記ユーザデータベースに登録されているか否かを判別する手段と，
   前記抽出した人物の特徴量が前記ユーザデータベースに登録されている場合には，その人物に対して過去にユーザが音声変換を希望したか否かを示す情報を読み出し，音声変換を希望したときには，ユーザの音声を変換して出力し，音声変換を希望していなかったときには，ユーザの音声を変換しないで出力する手段と，
   前記抽出した人物の特徴量が前記ユーザデータベースに登録されていない場合には，ユーザに音声変換を希望するか否かを問い合わせ，その問い合わせ結果をもとに前記ユーザデータベースに前記抽出した人物の特徴量とその人物に対してユーザが音声変換を希望したか否かを示す情報とを対応させて登録し，前記問い合わせ結果が音声変換を希望するである場合には，ユーザの音声を変換して出力し，前記問い合わせ結果が音声変換を希望しないである場合には，ユーザの音声を変換しないで出力する手段とを備える
   ことを特徴とするインターホン装置。
2. 室外と室内の連絡用として用いるインターホン装置における音声変換方法であって，
   室外のカメラで撮影された映像から人物を検出するステップと，
   検出した人物の特徴量を抽出するステップと，
   過去に検出した人物の特徴量とその人物に対して過去にユーザが音声変換を希望したか否かを示す情報とを格納するユーザデータベースを参照し，前記抽出した人物の特徴量が前記ユーザデータベースに登録されているか否かを判別するステップと，
   前記抽出した人物の特徴量が前記ユーザデータベースに登録されている場合には，その人物に対して過去にユーザが音声変換を希望したか否かを示す情報を読み出し，音声変換を希望したときには，ユーザの音声を変換して出力し，音声変換を希望していなかったときには，ユーザの音声を変換しないで出力するステップと，
   前記抽出した人物の特徴量が前記ユーザデータベースに登録されていない場合には，ユーザに音声変換を希望するか否かを問い合わせ，その問い合わせ結果をもとに前記ユーザデータベースに前記抽出した人物の特徴量とその人物に対してユーザが音声変換を希望したか否かを示す情報とを対応させて登録し，前記問い合わせ結果が音声変換を希望するである場合には，ユーザの音声を変換して出力し，前記問い合わせ結果が音声変換を希望しないである場合には，ユーザの音声を変換しないで出力するステップとを有する
   ことを特徴とするインターホン装置における音声変換方法。
3. 室外と室内の連絡用として用いるインターホン装置における音声変換方法をコンピュータに実行させるためのプログラムであって，
   検出した人物の特徴量を抽出する処理と，
   過去に検出した人物の特徴量とその人物に対して過去にユーザが音声変換を希望したか否かを示す情報とを格納するユーザデータベースを参照し，前記抽出した人物の特徴量が前記ユーザデータベースに登録されているか否かを判別する処理と，
   前記抽出した人物の特徴量が前記ユーザデータベースに登録されている場合には，その人物に対して過去にユーザが音声変換を希望したか否かを示す情報を読み出し，音声変換を希望したときには，ユーザの音声を変換して出力し，音声変換を希望していなかったときには，ユーザの音声を変換しないで出力する処理と，
   前記抽出した人物の特徴量が前記ユーザデータベースに登録されていない場合には，ユーザに音声変換を希望するか否かを問い合わせ，その問い合わせ結果をもとに前記ユーザデータベースに前記抽出した人物の特徴量とその人物に対してユーザが音声変換を希望したか否かを示す情報とを対応させて登録し，前記問い合わせ結果が音声変換を希望するである場合には，ユーザの音声を変換して出力し，前記問い合わせ結果が音声変換を希望しないである場合には，ユーザの音声を変換しないで出力する処理とを，
   コンピュータに実行させるためのインターホン装置用音声変換プログラム。

Images