JP4637564B2

JP4637564B2 - 状態検知装置、状態検知方法、プログラムおよび記録媒体

Info

Publication number: JP4637564B2
Application number: JP2004372326A
Authority: JP
Inventors: 雅二郎岩崎
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2004-12-22
Filing date: 2004-12-22
Publication date: 2011-02-23
Anticipated expiration: 2024-12-22
Also published as: JP2006178790A

Description

本発明は、状態検知装置、状態検知方法、プログラムおよび記録媒体に関し、例えば、防犯用などのカメラを用いた状態監視装置に適用して好適である。

近年、施設の大規模化、人件費の高騰などに伴い、建造物や室内等の立ち入り禁止領域等への人や動物その他の物体の接近を監視し、異常な状態を検出した場合、警告の発生を行う監視装置の必要性が年々高まっている。
従来、この種の画像監視装置として防犯カメラが知られている。防犯カメラは、監視対象領域に向けて設置したビデオカメラと、これに接続されたＴＶモニタおよびビデオテープレコーダ（ＶＴＲ）から構成されており、ビデオカメラで撮影した監視対象領域の画像をＴＶモニタに映しながらＶＴＲで録画するようにしたものであり、ＴＶモニタの監視と異常発生の判断作業は監視員が行うようにしている。
この場合には、画面の監視と異常発生の判断作業はすべて人手に頼っているため、監視員の疲労やストレスの増加、あるいは監視員の能力の個人差などにより監視精度が大きく変化するという問題があった。さらに、人手による場合、画面全体に及ぶ大きな画像変化に対して検出精度は高くとも、細かい部分の画像変化を見落としがちであるという問題があった。
このため、人間が理解しやすい動画像を入力とするＴＶカメラなどを用い、ある時点での画像の各画素を背景に対応する基準画像もしくは過去の画像と比較し、その変化が大きいときに、異常であると判定する監視装置が提案されている（例えば、特許文献１参照）。
また、一台のＴＶカメラで検出できない広い区域の監視を行う監視装置の例としては、変化領域の抽出処理を行う画像監視装置と分散ネットワークを利用した画像監視システム（例えば、特許文献２参照）や分散型画像認識システム（例えば、特許文献３参照）がある。
特開昭６２−１４７８９０号公報特開平４−２６１２８９号公報特開平２−８２３７５号公報

しかしながら、従来の監視装置は、以前のものに比して相当改善されているとはいえ、いまだに設備のコストがかかり、また、検知のための演算量も少ないものとはいえないため、例えば、緊急事態が発生した場合、リアルタイムでその異常を確認することができず、瞬時の対応にかけてしまう場合があった。
本発明は、上述した実情を考慮してなされたものであって、簡単な設備を利用して、信頼性の高い監視が行えるとともに、緊急事態への瞬時の対応や遠隔地に対する検知が行える状態検知装置、状態検知方法、状態検知装置の機能を実行させるためのプログラムおよびそのプログラムを記録した記録媒体を提供することを目的とする。

上記の課題を解決するために、請求項１に記載の発明は、正常な状態を撮影装置により撮影した一連の静止画像から各時間区間の区間動画特徴量を抽出し、正常状態の特徴量として前記区間動画特徴量を学習特徴量データベースへ蓄積する学習特徴量抽出手段と、前記撮影装置から入力される一連の静止画像に対して時間区間の区間動画特徴量を抽出する特徴量抽出手段と、該特徴量抽出手段により抽出した区間動画特徴量と前記学習特徴量データベースに蓄積された正常状態の特徴量とを比較することによって、入力画像が正常状態か否かを自動判定する検知手段と、を備え、前記学習特徴量抽出手段は、正常状態の区間動画特徴量を累積する際、現在処理対象となっている一または複数の時間区間における区間動画特徴量と、既に抽出したすべての時間区間における各区間動画特徴量と、を比較して夫々時間区間相違度を算出し、算出された前記時間区間相違度の最大値である最大時間区間相違度を求め、該最大時間区間相違度と、現在処理対象となっている時間区間を除いた時間区間について求めた最大時間区間相違度との差異が所定値以内である場合に、学習処理を終了することを特徴とする。
請求項２に記載の発明は、請求項１に記載の状態検知装置において、前記時間区間相違度は、一方の前記時間区間特徴量に含まれる各静止画像の特徴量と、他方の前記時間区間特徴量に含まれる各静止画像の特徴量との差分をとって、全静止画像について総和したものであることを特徴とする。
請求項３に記載の発明は、請求項１に記載の状態検知装置において、前記区間動画特徴量を抽出する各区間をオーバーラップさせるようにしたことを特徴とする。

請求項４に記載の発明は、請求項１に記載の状態検知装置において、単一の静止画の特徴量は、単一の静止画をブロックに分割し、各ブロックから抽出した平均色または明度であることを特徴とする。
請求項５に記載の発明は、請求項１に記載の状態検知装置において、前記区間動画特徴量は所定の時間区間の全静止画から抽出された全特徴量を時系列に整列させたものであることを特徴とする。
請求項６に記載の発明は、請求項１に記載の状態検知装置において、クライアント側に配置した撮影装置で撮影した動画データを、ネットワークを介して接続されたサーバ側へ送信し、該サーバ側で受信した撮影装置からの動画データで学習処理あるいは検知処理を実行するようにしたことを特徴とする。
請求項７に記載の発明は、正常な状態を撮影装置により撮影した一連の静止画像から各時間区間の区間動画特徴量を抽出し、抽出した区間動画特徴量を正常状態の特徴量として学習特徴量データベースに蓄積し、その後に、前記撮影装置から入力される一連の静止画像からも同様に抽出した各時間区間の区間動画特徴量と、前記学習特徴量データベースに蓄積された正常状態の特徴量を比較して、入力画像が正常状態か否かを自動判定する状態検知方法であって、正常状態の区間動画特徴量を累積する際、現在処理対象となっている一または複数の時間区間における区間動画特徴量と、既に抽出したすべての時間区間における各区間動画特徴量と、を比較して夫々時間区間相違度を算出し、算出された前記時間区間相違度の最大値である最大時間区間相違度を求め、該最大時間区間相違度と、現在処理対象となっている時間区間を除いた時間区間について求めた最大時間区間相違度との差異が所定値以内である場合に、学習処理を終了することを特徴とする。
請求項８に記載の発明は、コンピュータに、請求項１乃至６のいずれか一項に記載の状態検知装置の機能を実行させるためのプログラムであることを特徴とする。

本発明によれば、監視対象領域の画像変化を検知するようにしたので、簡単な設備を利用して、信頼性の高い監視が行える。
また、検知の演算を簡単化することにより緊急事態への瞬時の対応ができる。
また、分散ネットワークに接続されたコンピュータからの指示により、遠隔地の画像を取得できるようにしたことにより、遠隔地の状態も監視できる。

以下、図面を参照して、本発明の実施形態を詳細に説明する。
本発明は、学習処理部と検知処理部とからなっており、学習処理部では、撮影装置から入力された画像からある時間間隔ごとに動画像から画像特徴（画像特徴量）を抽出し、この画像特徴量を学習特徴量ＤＢに登録する。学習処理が終了した時点で取得した画像特徴量空間における特徴量の分布を、正常状態を示す領域（正常特徴量領域）と定義する。
検知処理部では、学習処理部と同様にして画像特徴量を抽出し、抽出した画像特徴量が正常特徴量領域に含まれるか否かを判断し、正常特徴量領域以外の場合には異常状態と判断し、事前に指定された何らかの処理を実行する。
＜実施形態１＞
（１）学習処理部
図１は、本実施形態に係る状態検知装置のうち学習処理部の機能構成を示すブロック図である。同図において、学習処理部１０は、学習制御手段１１、学習動画登録手段１２、学習動画ＤＢ（データベース）１３、学習特徴量抽出手段１４、学習特徴量ＤＢ（データベース）１５、学習終了判定手段１６とから構成される。
学習制御手段１１は、学習が終了したか否かによって、学習動画登録手段１２、学習特徴量抽出手段１４および学習終了判定手段１６の起動制御を行う。この学習終了判定手段１６で終了とされるまで、動画の読み取り、特徴量の抽出を続ける。

学習動画登録手段１２は、正常状態の動画像が入力されると仮定して、動画像を撮影装置（例えば、カメラあるいはビデオカメラ等）で入力し、この動画像を構成する静止画像（フレーム）を抽出して、フレームＩＤとフレームの画像とを対応付けて学習動画ＤＢ１３に格納する。このフレームＩＤは、学習動画ＤＢ１３に登録される画像の順序番号（１で始まり、１つずつ増加する）である。
また、入力は動画とするが、動画は時系列に並んだ複数の静止画像であると定義すれば、例えば、１分間隔に撮影した所定数の静止画を入力データとしても構わない。
ここで、学習動画登録手段１２で読み取るフレーム画像の数は、動画を読み込む時間の長さを予め指定しておき、これを１つの時間区間と考え、この時間区間で読み込まれるフレーム画像の個数（本実施形態１では、ｎとする）とする。
この時間区間は、図２に示すように、各区間が一定の時間オーバーラップしてもよいものとする。この一定時間に読み込まれるフレーム画像数も一定数（本実施形態１ではａとする。ここでａ＝０であってもよい）とすると、１つの時間区間のフレーム画像が読み込まれたあと、次のｎ個のフレーム画像のうち、はじめのａ個は前のフレーム画像のうち最後のａ個をコピーしたものであり、新たに（ｎ−ａ）個のフレーム画像が読み込まれることになる。フレームＩＤは、重複してコピーされたものについても順序番号を与えるようにする。
このようにフレーム画像を取得する区間をオーバーラップさせることにより、区間を跨いだ動画部分の変化の検知精度を高めることが可能となる。
学習特徴量抽出手段１４は、学習動画ＤＢ１３に登録された最近の１時間区間の各フレーム画像に対して公知の手法を用いて画像の特徴量を抽出し、この抽出した特徴量をフレームＩＤと対応付けて学習特徴量ＤＢ１５へ格納する。

本実施形態１では、１フレームの画像データをメッシュ分割し、分割された各ブロックごとに、そのブロックのＲＧＢ成分ごとの平均色を抽出する（図３参照）。例えば、図３のように、画像を５×５にメッシュ分割した場合、画像の特徴量は、各ブロックにＲＧＢの３成分があるので、５×５×３＝７５個の、ブロックとＲＧＢの３成分からなるベクトルデータとなる。
また、特徴量は、色を使わずに明度のみで表現することも可能であるし、公知の動きベクトルを特徴量としても良い。
このように、画像をブロックに分けることによって、各色が画像中のどの位置に現れているかという位置情報が特徴量に含まれることになる。
さらに、各フレームごとにこの特徴量を抽出したので、時間経過とともに、特定の色の移動の様子が特徴量として捉えることができる。例えば、図３において、車の部分を表すブロック（点線で囲まれた６つのブロックａ〜ｆ）が次のフレームで右側に移動していれば、車が右に移動したことが分かる。
このように、ブロックの特徴量として平均色および明度を利用することにより、検知精度を高めることが可能となる。
学習終了判定手段１６は、学習終了の判定を行う。予め指定された時間までのフレームを処理したときに学習の終了としてもよいが、本実施形態１では、学習が終了（収束）したかどうかを自動判定することにする。
このために、画像Ａの特徴量をＡ＝（ａ₁，ａ₂，ａ₃，…，ａ₇₅）、画像Ｂの特徴量をＢ＝（ｂ₁，ｂ₂，ｂ₃，…，ｂ₇₅）と表し、また、あるフレームの画像特徴量をＬ_i、時間区間に属するｎフレームの特徴量を区間動画特徴量Ｌ＝（Ｌ₁，Ｌ₂，Ｌ₃，…，Ｌ_n）で表すことにする。
また、画像Ａと画像Ｂ間の類似度（相違度）Ｄｆ（Ａ，Ｂ）を次の式（１）のような画像の特徴量の差分の絶対値の総和として表すものとする。しかし、他の一般的に知られている公式を用いても構わない。

・・・・（１）
すると、２つの時間区間の時間区間動画特徴量Ｌ＝（Ｌ₁，Ｌ₂，Ｌ₃，…，Ｌ_n）、とＭ＝（Ｍ₁，Ｍ₂，Ｍ₃，…，Ｍ_n）の類似度（相違度）Ｄｍ（Ｌ，Ｍ）は、次の式（２）で表される。

・・・・（２）
現在処理対象となっている時間区間動画特徴量と、過去のすべての時間区間動画特徴量との相違度を算出し、これらの相違度の最大値をこの処理対象の時間区間相違度とする。各時間区間と時間区間相違度の関係をグラフに表すと図４の実線Ａのグラフのようになる。これによると、時間区間相違度は初期には増加するが、徐々に増加しなくなる。
また、処理対象の時間区間までの時間区間相違度の最大値をその時間区間の最大相違度とすると同様に図４の点線Ｂのようになり、やはり初期には増加するが、徐々に増加しなくなる。
このような事実から、最大相違度の変化が少なくなれば学習が終了したと仮定することにする。
この学習終了判定手段１６は、次のような処理手順でこの最大相違度を算出して収束判定を行い、判定結果を学習制御手段１１へ戻す。
（１）最大相違度Ｄｍａｘ（＝０）と、過去の時間区間を表わす区間番号ｊ（＝１）を初期化する。
（２）現在処理対象となっている時間区間（ｋ番目とする）の時間区間動画特徴量Ｌと、ｊ番目の時間区間の時間区間動画特徴量Ｍ^jを取り出す。
（３）式（２）より時間区間相違度Ｄｍ（Ｌ，Ｍ^j）を算出する。
（４）最大相違度Ｄｍａｘと時間区間相違度Ｄｍ（Ｌ，Ｍ^j）を比較して、大きい方を最大相違度Ｄｍａｘに設定する。
（５）ｊに１を加えて、ｋ以下であれば、（２）から（５）までを繰り返す。
（６）ｊがｋ以上となった場合、現在処理対象となっている時間区間ｋにおける時間区間の最大相違度をＤｍａｘとする。
（７）この最大相違度Ｄｍａｘと時間区間ｋ以前における最大相違度との差の絶対値が所定値以内であれば、この学習は終了したものとし、この最大相違度を学習特徴量ＤＢ１５へ記録する。
（８）上記（７）の差の絶対値が所定値以上であれば、まだ学習は終了していないものとする。

次に、図５のフローチャートを用いて、学習処理部１０の処理手順を説明する。
まず、１つの時間区間の動画を読み取り、学習動画ＤＢ１３へフレームＩＤと対応付けて記憶し（ステップ１１）、この学習動画ＤＢ１３に記憶された動画の特徴量を抽出して、フレームＩＤと対応付けて学習特徴量ＤＢ１５へ記憶する（ステップＳ１２）。
次の時間区間の動画を読み取り、学習動画ＤＢ１３へフレームＩＤと対応付けて記憶し（ステップ１３）、この学習動画ＤＢ１３に記憶された動画の特徴量を抽出して、フレームＩＤと対応付けて学習特徴量ＤＢ１５へ記憶する（ステップＳ１４）。
次に、現在読み取った時間区間の時間区間動画特徴量と、これ以前のすべての時間区間の時間区間動画特徴量との時間区間相違度を上記の式（２）で計算し、最大の時間区間相違度を算出する（ステップＳ１５）。
さらに、最大の時間区間相違度と、現在読み取った時間区間以前の最大の時間区間相違度とを比較して、収束していない場合には（ステップＳ１６のＮＯ）、次の時間区間の動画を読み込むためにステップＳ１３へ戻る。
一方、収束している場合には（ステップＳ１６のＹＥＳ）、現在読み取った時間区間の最大の時間区間相違度を学習特徴量ＤＢ１５へ記憶させて、処理を終了する。
このようにして蓄積された学習特徴量ＤＢ１５の特徴量が正常状態を示す特徴量集合となる。
上記の収束判定では、隣の時間区間の最大相違度と比較するだけで収束判定を行っていたが、一定の区間内で最大相違度の増加がないかどうかを比較して学習の収束判定を行うようにしてもよい。

（２）検知処理部
検知処理部は、異常状態を検知したい動画を入力し、その画像の特徴量と上述した学習特徴量ＤＢ１５とを比較して自動的に異常状態を検知するものである。
図６は、本実施形態に係る状態検知装置のうち検知処理部の機能構成を示すブロック図である。同図において、検知処理部２０は、検知制御手段２１、動画登録手段２２、動画ＤＢ（データベース）２３、特徴量抽出手段２４、特徴量ＤＢ（データベース）２５、検知手段２６、学習特徴量ＤＢ（データベース）１５とから構成される。
検知制御手段２１は、動画登録手段２２、特徴量抽出手段２４および検知手段２６の起動制御を行い、検知手段２６での判定結果（異常または正常）を出力する。また、異常の場合に、異常とされた動画の表示要求に対して、動画を要求元へ送り出す。
動画登録手段２２は、学習処理部１０の動画登録手段１２と同様にして、読み込んだ動画をフレーム単位に動画ＤＢ２３へフレームＩＤに対応付けて記憶させる。この読み込み対象となるフレーム数も学習処理部１０と同様に１時間区間内に読み取られるフレーム数（ｎ）である。
特徴量抽出手段２４は、学習処理部１０の学習特徴量抽出手段１４と同様にして、動画ＤＢ２３に記憶された各フレームに対する特徴量を抽出して、フレームＩＤと対応付けて特徴量ＤＢ２５へ記憶させる。
検知手段２６は、特徴量ＤＢ２５へ記憶した１時間区間の時間区間動画特徴量と、学習特徴量ＤＢ１５に記憶されているすべての時間区間に対する時間区間動画特徴量との相違度を上記式（２）によってそれぞれ算出し、その最大値を区間相違度として算出する。
検知手段２６は、この区間相違度が予め指定された閾値以内であれば、学習された正常状態であると判断し、閾値を超えた場合には正常状態ではない（異常状態）と判断する。この閾値として、学習終了判定時に学習特徴量ＤＢ１５に記憶した最大の時間区間相違度としてもよい。

次に、図７のフローチャートを用いて、検知処理部２０の処理手順を説明する。
まず、１時間区間内に読み取られるフレーム数（ｎ）だけ、動画を読み込みフレーム単位で動画ＤＢ２３へフレームＩＤに対応付けて記憶させ（ステップＳ２１）、これらのフレーム画像から特徴量を抽出して、フレームＩＤと対応付けて特徴量ＤＢ２５へ記憶させる（ステップＳ２２）。
次に、特徴量ＤＢ２５へ記憶した１時間区間の時間区間動画特徴量と、学習特徴量ＤＢ１５に記憶されているすべての時間区間に対する時間区間動画特徴量との相違度を上記式（２）によってそれぞれ算出し、その最大値を区間相違度として算出し（ステップＳ２３）、この区間相違度が予め指定された閾値以内であれば（ステップＳ２４のＮＯ）、学習された正常状態であると判断し（ステップＳ２６）、閾値を超えた場合には（ステップＳ２４のＹＥＳ）正常状態ではない（異常状態）と判断する（ステップＳ２５）。

＜実施形態２＞
本発明の状態検知装置は、状態監視システムとして利用することもできる。この状態監視システムとしては、例えば、商店への防犯カメラとしての設置、また、オフィスへ設置して盗難の検知や火の色による火災の検知などに利用することができる。また、同植物の観察などにも利用できる。
このような状態監視システムとして本発明の状態検知装置を利用する場合には、撮影装置と異常を知らせるための異常処理装置が必要になってくる。
異常状態の時に処理する内容を異常時処理として予め設定しておき、状態検知装置で異常状態だと判断された場合に、その異常時処理を異常処理装置で実行する。
例えば、異常処理装置では、異常状態と検知された区間の動画に異常状態を示すフラグをセットし、異常状態であることをメールなどでユーザに知らせる。
知らせを受けたユーザは、異常状態を示すフラグを基に異常時の動画を動画ＤＢ２３から瞬時に閲覧することができる。
もちろん、異常処理装置では、異常状態をユーザの表示手段へ表示したり、アラーム等を鳴らしたり、消化装置やシャッターを下ろすような処理を行うようにしてもよい。
＜実施形態３＞
さらに、実施形態１では単一のコンピュータに実装されているとしたが、撮影装置（例えば、ネットワークカメラ等）とその撮影装置からの動画を送出するコンピュータをクライアントとし、サーバ側のコンピュータで検知処理を行うようにしてもよい。実施形態２のような場合には、異常処理装置も異常の内容に応じて設置場所が決定される。
このように構成すると、クライアント／サーバの形態を利用することによって、リモート上の撮影装置（カメラ等）からのデータを処理することが可能となる。

＜実施形態４＞
さらに、本発明は、上述した実施形態のみに限定されたものではなく、上述した実施形態の各機能をそれぞれプログラム化し、あらかじめＣＤ−ＲＯＭ等の記録媒体に書き込んでおき、コンピュータに搭載したＣＤ−ＲＯＭドライブのような媒体駆動装置にこのＣＤ−ＲＯＭ等を装着し、これらのプログラムをインストールして、実行することによっても、本発明の目的が達成されることは言うまでもない。この場合、記録媒体から読出されたプログラム自体が上述した実施形態を実現することになり、そのプログラムおよびそのプログラムを記録した記録媒体も本発明を構成することになる。
なお、記録媒体としては半導体媒体（例えば、ＲＯＭ、不揮発性メモリカード等）、光媒体（例えば、ＤＶＤ、ＭＯ、ＭＤ、ＣＤ−Ｒ等）、磁気媒体（例えば、磁気テープ、フレキシブルディスク等）のいずれであってもよい。あるいは、インターネット等の通信網を介して記憶装置に格納されたプログラムをサーバコンピュータから直接供給を受けるようにしてもよい。この場合、このサーバコンピュータの記憶装置も本発明の記録媒体に含まれる。
また、ロードしたプログラムを実行することにより上述した実施形態が実現されるだけでなく、そのプログラムの指示に基づき、オペレーティングシステム等が実際の処理の一部または全部を行い、その処理によって上述した実施形態が実現される場合も含まれる。
したがって、上述した実施形態の機能を実行するプログラムやそのプログラムを記録した記録媒体を流通させ、そのプログラムをコンピュータの内部記憶装置または外部記憶装置にインストールし、そのインストールされたプログラムを実行することによって、上述した実施形態の機能が実現されるので、コスト、可搬性、汎用性を向上させることができる。

本実施形態に係る状態検知装置のうち学習処理部の機能構成を示すブロック図。時間区間を説明するための図。フレーム画像のメッシュ分割とそのブロックにおける特徴量とを説明する図。時間区間と区間相違度および最大相違度との関係を示すグラフ図。本実施形態に係る状態検知装置のうち学習処理部の処理手順を示すフローチャート。本実施形態に係る状態検知装置のうち検知処理部の機能構成を示すブロック図。本実施形態に係る状態検知装置のうち検知処理部の処理手順を示すフローチャート。

符号の説明

１０学習処理部、１１学習制御手段、１２学習動画登録手段、１３学習動画ＤＢ、１４学習特徴量抽出手段、１５学習特徴量ＤＢ、１６学習終了判定手段、２０検知処理部、２１検知制御手段、２２動画登録手段、２３動画ＤＢ、２４特徴量抽出手段、２５特徴量ＤＢ、２６検知手段

Claims

正常な状態を撮影装置により撮影した一連の静止画像から各時間区間の区間動画特徴量を抽出し、正常状態の特徴量として前記区間動画特徴量を学習特徴量データベースへ蓄積する学習特徴量抽出手段と、前記撮影装置から入力される一連の静止画像に対して時間区間の区間動画特徴量を抽出する特徴量抽出手段と、該特徴量抽出手段により抽出した区間動画特徴量と前記学習特徴量データベースに蓄積された正常状態の特徴量とを比較することによって、入力画像が正常状態か否かを自動判定する検知手段と、を備え、
前記学習特徴量抽出手段は、正常状態の区間動画特徴量を累積する際、現在処理対象となっている一または複数の時間区間における区間動画特徴量と、既に抽出したすべての時間区間における各区間動画特徴量と、を比較して夫々時間区間相違度を算出し、算出された前記時間区間相違度の最大値である最大時間区間相違度を求め、該最大時間区間相違度と、現在処理対象となっている時間区間を除いた時間区間について求めた最大時間区間相違度との差異が所定値以内である場合に、学習処理を終了することを特徴とする状態検知装置。
請求項１に記載の状態検知装置において、前記時間区間相違度は、一方の前記時間区間特徴量に含まれる各静止画像の特徴量と、他方の前記時間区間特徴量に含まれる各静止画像の特徴量との差分をとって、全静止画像について総和したものであることを特徴とする状態検知装置。
請求項１に記載の状態検知装置において、前記区間動画特徴量を抽出する各区間をオーバーラップさせるようにしたことを特徴とする状態検知装置。
請求項１に記載の状態検知装置において、単一の静止画の特徴量は、単一の静止画をブロックに分割し、各ブロックから抽出した平均色または明度であることを特徴とする状態検知装置。
請求項１に記載の状態検知装置において、前記区間動画特徴量は所定の時間区間の全静止画から抽出された全特徴量を時系列に整列させたものであることを特徴とする状態検知装置。
請求項１に記載の状態検知装置において、クライアント側に配置した撮影装置で撮影した動画データを、ネットワークを介して接続されたサーバ側へ送信し、該サーバ側で受信した撮影装置からの動画データにより学習処理あるいは検知処理を実行するようにしたことを特徴とする状態検知装置。
正常な状態を撮影装置により撮影した一連の静止画像から各時間区間の区間動画特徴量を抽出し、抽出した区間動画特徴量を正常状態の特徴量として学習特徴量データベースに蓄積し、その後に、前記撮影装置から入力される一連の静止画像からも同様に抽出した各時間区間の区間動画特徴量と、前記学習特徴量データベースに蓄積された正常状態の特徴量を比較して、入力画像が正常状態か否かを自動判定する状態検知方法であって、
正常状態の区間動画特徴量を累積する際、現在処理対象となっている一または複数の時間区間における区間動画特徴量と、既に抽出したすべての時間区間における各区間動画特徴量と、を比較して夫々時間区間相違度を算出し、算出された前記時間区間相違度の最大値である最大時間区間相違度を求め、該最大時間区間相違度と、現在処理対象となっている時間区間を除いた時間区間について求めた最大時間区間相違度との差異が所定値以内である場合に、学習処理を終了することを特徴とする状態検知方法。
コンピュータに、請求項１乃至６のいずれか一項に記載の状態検知装置の機能を実行させるためのプログラム。