JP7185419B2 - 車両のための、対象物を分類するための方法および装置 - Google Patents

Description

本提案は、独立請求項の前提部に記載した方法または装置に関する。この提案の対象はコンピュータプログラムでもある。

カメラシステムを用いた対象物の識別は、多くの分野でますます重要性を増している。特に自動車環境において、対象物例えば歩行者を識別するための機能を有するカメラシステムが、自動走行までの多様なアシスト機能のためにしばしばどうしても必要とされる。この場合、相応の対象物識別装置が、識別された対象物をトレーニングされた属性分類器を用いて対象物型式に割り当てる。

以上のような背景から、ここに紹介された提案では、車両のための対象物を分類するための方法、さらにこの方法を使用する装置、並びに最後に主請求項に記載した相応のコンピュータプログラムが紹介される。従属請求項に記載した手段によって、独立請求項に記載した装置の好適な実施態様および改良が可能である。

紹介された提案によって得ることができる利点は、公知の属性分類器に追加して、ここに紹介された固有分類器を作成することによって、対象物の識別の反応時間並びに対象物の対象物追跡時のロバスト性が改善される、という点にある。

車両のための対象物を分類するための方法が提案される。この方法は、少なくとも１つの分類するステップと抽出するステップと作成するステップとを有している。分類するステップで、属性分類器を使用してカメラ画像から１つの対象物が分類される。抽出するステップで、対象物に割り当てられた少なくとも１つの固有の対象物特徴がカメラ画像から抽出される。作成するステップで、固有の対象物特徴を使用して固有分類器が作成される。

この方法は、例えばソフトウエアまたはハードウエアでまたはソフトウエアとハードウエアとから成る混合形式で、例えばコントロールユニット内に実装されてよい。例えばこの方法は、車両カメラのための対象物識別装置内に実装されてよい。

ここに紹介された方法によって、カメラ画像で検出された対象物は、もはや属性分類器だけによってではなく、追加的に新たに作成された固有分類器によっても分類され得る。これによって、対象物のより迅速な分類が可能であり、また今日まで知られていないかまたは識別が困難である対象物の分類も可能である。

固有識別機を使用するためにおよび／または更新するために、分類するステップで、別の対象物が別のカメラ画像から属性分類器および固有分類器を使用して分類され、抽出するステップで、別の対象物に割り当てられた少なくとも１つの別の固有の対象物特徴が別のカメラ画像から抽出され、作成するステップで、固有分類器が別の固有の対象物特徴を使用して適合され得る。

抽出するステップで、属性的に分類された対象物の少なくとも１つの色および／または構造および／または形を表す例えば１つの対象物特徴がカメラ画像から抽出される。このような形式の対象物特徴は、属性分類器によって考慮されない。何故ならば、このような形式の対象物特徴は、一般的に１つの対象物型式のすべての対象物例に当てはまらないが、具体的な使用例では例えば識別された対象物の信頼できる対象物追跡に用いることができるからである。

作成するステップで、固有分類器が環状記憶装置にメモリされてよい。

カメラ画像を提供するために、この方法は算出するステップを有しており、この算出するステップで、カメラ画像は周辺検出装置を使用して算出される。周辺検出装置は、カメラ例えば車両カメラおよび／またはレーダ装置であってよいか、または少なくともこれらを有していてよい。

属性分類器を適合または更新もできるようにするために、この方法は、好適な実施例によれば、メモリするステップを有していてよく、このメモリするステップで、分類するステップで対象物の分類に関する分類精度が閾値を下回ると、カメラ画像がメモリされる。メモリするステップは、抽出するステップの前に実施されてよく、この場合、例えば不正確であると評価された、属性的に検出された対象物の少なくとも１つの対象物特徴がカメラ画像上に配置されると、分類精度は閾値を下回る。

対象物識別装置の属性分類器の新たなトレーニングを可能にするために、メモリするステップで、カメラ画像は対象物識別装置の外部に配置されたトレーニング装置に送信されてよい。

ここに紹介された提案は、さらに、ここに紹介された方法の変化例のステップを相応の装置で実施、制御若しくは実行するために構成された装置を提供する。この提案の、このような装置の形の変化実施例よっても、提案に基づく課題を、迅速かつ効果的に解決することができる。この装置は、対象物識別装置の一部であってよい。

このために、この装置は、信号またはデータを処理するための少なくとも１つの演算装置と、信号またはデータをメモリするための少なくとも１つの記憶装置と、センサのセンサ信号を読み取るためのまたはデータ若しくは制御信号をアクチュエータにアウトプットするためのセンサまたはアクチュエータへの少なくとも１つのインターフェースおよび／または通信プロトコル内に埋め込まれたデータを読み取りまたはアウトプットするための少なくとも１つの通信インターフェースとを有している。演算装置は、例えば信号プロセッサ、マイクロコントローラ等であってよく、この場合、記憶装置は、フラッシュメモリー、ＥＰＲＯＭまたは磁気記憶装置であってよい。通信インターフェースは、データをワイヤレスでおよび／または有線誘導で読み取るかまたはアウトプットするために、構成されていてよく、この場合、有線誘導されたデータを読み取るかまたはアウトプットすることができる通信インターフェースは、データを例えば相応のデータ伝送線路から電気式または光学式に読み取るかまたは相応のデータ伝送線路にアウトプットすることができる。

装置とは、ここでは、センサ信号を処理しそれに基づいて制御信号および／またはデータ信号をアウトプットする電気機器であると解釈されてよい。この装置は、ハードウエア式および／またはソフトウエア式に構成され得るインターフェースを有していてよい。ハードウエア式の構成において、インターフェースは、例えば装置の様々な機能を含有するいわゆるシステムＡＳＩＣの一部であってよい。しかしながら、インターフェースは専用の集積回路であるか、または少なくとも部分的に離散素子より成っていてもよい。ソフトウエア式の構成において、インターフェースは、例えばマイクロコントローラ上で別のソフトウエアモジュールの隣に設けられたソフトウエアモジュールであってよい。

好適な実施態様によれば、この装置によって対象物の分類の制御が行われる。このために、この装置は、例えば分類信号、抽出信号および作成信号等のセンサ信号へアクセスすることができる。制御は、例えば属性分類器を使用してカメラ画像で識別された対象物の属性的な分類を実施するために構成された属性分類装置、対象物に割り当てられた少なくとも１つの固有の対象物特徴をカメラ画像から抽出するために構成された抽出装置、少なくとも、固有の対象物特徴を使用して固有の分類器を作成するために構成された固有分類装置等のアクチュエータを介して行われる。

機械読み取り可能な担体または記憶媒体、例えば半導体記憶装置、ハードディスクまたは光学式記憶装置にメモリ可能であって、特にプログラム製品またはプログラムがコンピュータまたは装置で実行されると、前記実施例のいずれか１つによる方法のステップを実施、実行および／または制御するために使用されるプログラムコードを有するコンピュータプログラムまたはコンピュータプログラム製品も有利である。

対象物を分類するための、１実施例による装置を備えた車両の概略図である。 車両のための対象物を分類するための、１実施例による装置の概略図である。 車両のための対象物を分類するための、１実施例による方法のフローチャートである。 車両のための対象物を分類するための、１実施例による方法のフローチャートである。

ここに紹介された提案の複数の実施例が図面に示されていて、以下に詳しく説明されている。

ここに提案された好適な実施例の以下の説明中、様々な図面に示された、類似の作用を有する構成要素のために、同じまたは類似の符号が使用されており、この場合、これらの構成要素の繰り返しの説明は省かれる。

図１は、対象物１１０を分類するための、１実施例による装置１０５を備えた車両１００の概略図を示す。

この装置１０５は、この実施例ではオプション的に別の車両として処理された対象物１１０を分類するために構成されている。このために、装置１０５は、カメラ画像１１５から得られた対象物１１０を属性分類器１２０を用いて分類するために構成されている。カメラ画像１１５は、この実施例によれば車両１００の周辺検出装置１２５によって読み取られ、提供される。さらに、装置１０５は、対象物１１０に割り当てられた、少なくとも１つの固有の対象物特徴をカメラ画像１１５から抽出するために構成されている。さらにこの装置１０５は、固有の対象物特徴を用いて固有分類器１３０を作成するために、そして対象物１１０を分類するために構成されている。

以下に記載された、装置１０５の特徴はオプション的である。

１実施例によれば、装置１０５は、カメラ画像１１５から、属性的に分類された対象物の少なくとも１つの色および／または構造および／または形を表す対象物特徴を抽出するために構成されている。さらに、装置１０５は、この実施例に従って作成された固有分類器１３０を環状記憶装置にメモリする。

さらに、装置１０５は、属性分類器１２０による分類時に対象物１１０の分類に関連した分類精度が閾値を下回ると、カメラ画像１１５をメモリするように構成されている。このために装置１０５は、カメラ画像１１５を、装置１０５の外部および／または装置１０５を有する対象物識別装置の外部に配置されたトレーニング装置１３２に送信するように構成されている。

さらに、装置１０５は、装置１０５によって分類された対象物１３５を、車両１００のドライブアシストシステム１４０のために提供するかまたはドライブアシストシステム１４０に送信するように構成されている。

この実施例によれば、装置１０５は、属性分類器１２０および固有分類器１３０を使用して別のカメラ画像１５０から別の対象物１４５を分類し、この別の対象物１４５に割り当てられた別の固有の対象物特徴を別のカメラ画像１５０から抽出し、別の固有の対象物特徴を使用して固有分類器１３０を適合させるために構成されている。

図２は、車両のための対象物を分類するための、１実施例による装置１０５の概略図を示す。この場合、これは図１に記載された装置１０５であってよい。図２には、属性分類器１２０および固有分類器１３０の使用例が示されている。

属性分類器１２０は、多数の対象物例２０５を用いて予めオフライントレーニングで学習されている少なくとも１つの学習された車両モデル２００を表すかまたは含有している。道路交通で使用される際にカメラ画像１１５および／または別のカメラ画像に、典型的でないかまたはオフライントレーニングのトレーニング時間の際にまだ知られていなかった対象物若しくは車両である対象物１１０，１４５が表示されると、この対象物１１０，１４５は属性分類器１２０だけによって不正確におよび／またはゆっくりと識別される。ここで紹介された装置１０５は、対象物１１０，１４５の主要な特徴を固有の対象物特徴２１０の形で抽出し、それによって固有分類器１３０を算出するか、または固有分類器１３０を適合させる。固有分類器１３０は、この実施例によれば、記憶装置にメモリされ、この場合、記憶装置内の各メモリ書き込み２１５のために追加的なアプリケーション２２０が実行される。

言い換えれば、ここで紹介された装置１０５は、カメラシステムの対象物検出のためにまたはカメラシステムのために、分類器１２０，１３０のオンライン学習を可能にする。このために、装置１０５は選択的な実施例によれば、少なくとも１つのカメラシステムを有する周辺検出装置１２５の内側または外側に支持されている。

この場合、この装置１０５の課題は、例えば対象物１１０，１４５を識別するために車両内に組み込まれているカメラシステムで、対象物検出のための、例えば不確実なおよび／または不鮮明な対象物識別のための分類器１２０，１３０のオンラインアップデートを、トラッキング、時間の経過に伴う妥当化等による「確実に」実施された対象物分類に従って実施することである。これについては図４も参照されたい。

公知のシステムとは異なり、ここに紹介された装置１０５は、好適な形式で、数値の下回った対象物例２０５も良好に識別することができる。さらに、今日のシステムにおけるトレーニングされた属性分類器１２０は、すべての状況において世界的に通用する適切な対象物識別を保証するために、所定の対象物型式の識別のために属性的に設計されている。このような属性的な識別のために、一般的にすべての対象物例２０５に当てはまる相応の特徴が用いられ、つまり、色や明確な構造等の固有の特徴、例えばナンバープレートは、この場合、識別用の特徴として拒絶される。その結果、一方では一般的にやや長時間の対象物識別が行われることになる。何故ならば、分類器検出は低い誤差率を得るために立証を介して妥当化される必要があるからである。他方では、例えば特に少量生産車両若しくは新世代車両等の数値の下回った対象物例２０５は、特に検出しにくい。不正確な対象物検出、しかしながらトラッキング／妥当化によって時間的に遅れて行われた対象物の分類は、今日のシステムでは評価または適合を生ぜしめるのではなく、この対象物の検出の不十分さが持続的に残存する。しかしながら、ここに紹介された分類器１２０，１３０のオンライントレーニングによって、品質レベル若しくは識別率が改善される。

このために好適には、装置１０５内に別の分類器、つまり固有分類器１３０が、既に存在する属性分類器１２０に並列に実装されている。属性分類器１２０は、新規の／非典型的な対象物形態の識別および反応時間に関連した前記条件下で、所望の対象物型式の本質的にすべての形態を識別する。この属性分類器１２０によって検出され、時間的な妥当化（トラッキング）および立証を介して分類された対象物のために、固有の特徴、例えばこの対象物のための色および構造が、ビデオ画像であってよいカメラ画像１１５から抽出され、別の固有分類器１３０の作成／適合のために使用され得る。これによって、一方では、例えば雨の時のウインドウワイパによる画像妨害または対象物の部分遮蔽においても安定した対象物追跡が可能である。他方では、例えば別の車両によって完全に遮蔽された後で、またはカーブの後を先頭で走る際に、対象物をより迅速に検出しかつ分類することができる。従って、すべての可能な対象物形態の一般的な識別を妨げるという理由により属性分類器１２０のために使用できない特徴を、固有分類器１３０のために使用することができる。

しかしながら、属性分類器１２０にトレーニングのための特徴として例えば色が提供されても、データ例、ここでは対象物例２０５に青の車両が存在しなければ、青の車両はもはや識別されない。

車両の局所的な近傍で、属性分類器１２０に並列してこのような固有分類器１３０を加えることによって、例えば識別の反応時間および対象物追跡のロバスト性に関連した前記利点がもたらされる。

この場合、属性分類器１２０を介して行われる基本的な対象物検出は、製品発送の時点で対象物識別の品質に課される要求を確実に満たすために、さらに必要である。

オンライントレーニング段階で、固有分類器１３０の入力が属性分類器１２０の入力に接続され、固有分類器１３０の出力が、立証、妥当化および積分の出力に接続される。これについては、図４も参照されたい。固有分類器１３０のための初期データとして、当該の対象物がビデオで識別されたカメラ画像１１５，１４５の画像範囲から、独特な特徴が抽出される。この固有の対象物特徴２１０は、この対象物形態を、高さ、幅、構造情報並びに色等の形で精確に記述し、もっぱらこの対象物を精確に識別するために設計されている。

この実施例によれば、固有分類器１３０は、複数の対象物形態を分類するように設計されている。代替的に、この固有分類器１３０の、走行状況に応じて満たされる複数の事例が、所定の数まで存在してよい。この場合、この分類器１３０の管理は環状記憶装置を介して実現され、この環状記憶装置では、新たな対象物形態がメモリされるべき場合に、最も古い書き込みが拒否される。

既に図１に記載されているように、装置１０５によってさらに、属性分類器１２０のオプション的な補正が可能である。この場合、提供された対象物形態への適合に追加して、それぞれの対象物形態の識別時間およびロバスト性に関連した属性分類器１２０の評価が実行され得る。属性分類器１２０によってゆっくりと若しくは不確実に識別された、例えば図４に詳しく記載された時間的な立証または固有運動識別等の選択的な識別方法によって前もって分類されているそれぞれの対象物１１０，１４５のために、カメラ画像１１５の相応の画像データが別個の記憶装置にファイルされる。この別個の記憶装置は、図１ではトレーニング装置若しくはトレーニング装置の部分として示されており、この別個の記憶装置は選択的な実施例では装置１０５の部分であってもよい。属性分類器１２０の最新のバージョンによって不十分に識別されるかまたは識別されている、対象物形態のデータ例は、属性分類器１２０の新たなトレーニングのために使用するために、オンライン接続および／または工場毎に中央でファイルされてよい。

図３は、１実施例による車両のための対象物を分類するための方法３００のフローチャートを示す。この場合、これは、前述の図面に記載した装置のうちの１つによって実行可能な方法３００であってよい。

この方法３００は、分類するステップ３０５、抽出するステップ３１０および作成するステップ３１５を含有している。分類するステップ３０５で、対象物は属性分類器を使用してカメラ画像から分類される。抽出するステップ３１０で、対象物に割り当てられた少なくとも１つの固有の対象物特徴がカメラ画像から抽出される。作成するステップ３１５で、固有の対象物特徴を使用して固有分類器が作成される。

方法３００の以下の実施例はオプション的である。

分類するステップ３０５で、選択的な実施例に従って追加的にまたは選択的に、別の対象物が、別のカメラ画像から属性分類器および固有分類器を使用して分類され、この場合、抽出するステップ３１０で、別の対象物に割り当てられた少なくとも１つの別の固有の対象物特徴が別のカメラ画像から抽出され、作成するステップ３１５で、固有分類器が別の固有の対象物特徴を使用して適合される。

抽出するステップ３１０で、この実施例に従ってカメラ画像から、属性的に分類された対象物の少なくとも１つの色および／または構造および／または形状を表す対象物特徴が抽出される。

作成するステップ３１５で、固有分類器が環状記憶装置にメモリされる。

さらに、この実施例によれば方法３００がオプション的に、算出するステップ３２０およびメモリするステップ３２５を有している。

算出するステップ３２０で、カメラ画像は周辺検出装置を使用して算出される。

メモリするステップ３２５で、分類するステップ３０５において対象物の分類に関する分類精度が閾値を下回ると、カメラ画像がメモリされる。この実施例によれば、メモリするステップ３２５で、カメラ画像が対象物識別装置の外部に配置されたトレーニング装置に送信される。

ここに紹介された方法ステップは繰り返されてよく、また前記連続とは別の連続で実施されてよい。

図４は、１実施例による対象物を分類するための方法３００のフローチャートを示す。これは、追加的なステップを有する図３に記載された方法３００であってよい。

この方法３００は、この実施例によれば広範囲にわたる対象物検出を可能にし、このために、検出するブロック４００および立証するブロック４０５を有している。検出するブロック４００はいわゆる外観に基づく方法４１０を有しており、この方法４１０は、生成するステップ４１５、組み合わせるステップ４２０および、図３に既述した分類するステップ３０５を有している。検出するブロック４００は、選択的な実施例によれば追加的に、仮説発生のためのいわゆる不一致に基づく方法４２５および／またはいわゆる運動に基づく方法４３０を有している。

立証するブロック４０５は、妥当化するステップ４３５および時間積分するステップ４４０を有している。

作成するステップ３１５は、検出するステップ４００と立証するブロック４０５との間に配置されている。立証するブロック４０５と作成するステップ３１５との間で、方法３００はさらに、別の立証するステップ４４５を有している。

検出するブロック４００で、識別可能な対象物を記述する特徴の安定したグループが検索される。外観に基づく方法４１０で、ここでは車両である対象物型式の特性がトレーニングデータセットに基づいて検出される。この実施例によれば、外観に基づく方法４１０で車両の特徴がガボールフィルタ“Ｇａｂｏｒ－Ｆｉｌｔｅｒ”によってフィルタリングされ、属性分類器がサポートベクトルマシン“Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ”によって分類される。この場合、生成するステップ４１５で、特性的な特徴、ここではハール特徴“Ｈａａｒ－Ｍｅｒｋｍａｌｅ”がトレーニング画像から生成される。組み合わせるステップ４２０において、特徴の収集がデータバンク内で対象物型式の全記述に組み合わせられる。特徴ベクトルを明確に１つの対象物型式に割り当てることができるようにするために、分類するステップ３０５で、この実施例によればアダブーストアルゴリズム“ＡｄａＢｏｏｓｔ－Ａｌｇｏｒｉｔｈｍｕｓ”である属性分類器が時間をかけてトレーニングされ、および／または特徴の確率分布がモデル形成される。

立証するブロック４０５で、検出するブロック４００から得られた、間違ったおよび／または不正確な対象物仮説が妥当化され、時間積分によって改善される。このために、妥当化するステップ４３５で、パラメータ化されたモデルおよび／またはテンプレートが画像データと比較され、この実施例によれば車両のための３Ｄ格子型モデルが作成され、この３Ｄ格子型モデルを画像平面に投影することによって輪郭パターンが生ぜしめられる。このパターンは、場面のセグメント状に分割されたグレースケール画像で検索される。追加的にまたは選択的に少なくとも１つのナンバープレート、光および／または窓ガラスが使用される。時間積分するステップ４４０で、時間積分が実施される。この場合、生きていない物理的対象物と主体とが識別される。生きていない物理的対象物は、この場合、物理法則に基づく外挿によって叙述を用いて識別され、主体は、意図、行動および／または代替行動の確認によって識別される。従って、例えば歩行者、自転車に乗っている人、乗用車、トラック等が識別される。さらに、時間積分するステップ４４０で、対象物仮説の運動モデルが適合され、行動モデルの情報集群が実施され、かつ／または周辺モデルとの調整が実施され、この場合、例えば推測された走行車線延在形状と車両運動との妥当化が実施され、例えば対象物の垂線の足と道路ジオメトリとの妥当化が実施される。

作成するステップ３１５と別の立証するステップ４４５および／または立証するブロック４０５との間に、トレーニングするステップ４５０が配置されており、このトレーニングするステップ４５０で、トレーニングが実施される。さらに、作成するステップ３１５と立証するブロック４０５との間で妥当性問い合わせ４５５が実施される。

１実施例が、第１の特徴と第２の特徴との間の「および／または」接続を有している場合、これは、この実施例が、１実施形態に従って第１の特徴も第２の特徴も有しており、また別の実施形態に従って第１の特徴だけまたは第２の特徴だけを有している、と読み取られるべきである。

１００ 車両
１０５ 装置
１１０ 対象物
１１５ カメラ画像
１２０ 属性分類器
１２５ 周辺検出装置
１３０ 固有分類器
１３２ トレーニング装置
１３５ 対象物
１４０ ドライブアシストシステム
１４５ 別の対象物
１５０ 別のカメラ画像
２００ 車両モデル
２０５ 対象物例
２１０ 対象物特徴
２１５ メモリ書き込み
２２０ アプリケーション
３００ 方法
３０５ 分類するステップ
３１０ 抽出するステップ
３１５ 作成するステップ
３２０ 算出するステップ
３２５ メモリするステップ
４００ 検出するブロック
４０５ 立証するブロック
４１０ 外観に基づく方法
４１５ 生成するステップ
４２０ 組み合わせるステップ
４２５ 不一致に基づく方法
４３０ 運動に基づく方法
４３５ 妥当化するステップ
４４０ 時間積分するステップ
４４５ 別の立証するステップ
４５０ トレーニングするステップ
４５５ 妥当性問い合わせ

Claims (10)

1. 車両（１００）のための、対象物（１１０）を分類するための方法（３００）であって、
   車両（１００）の周辺検出装置（１２５）を使用して、対象物（１１０）のカメラ画像（１１５）を読み取るステップ（３２０）と、
   属性分類器（１２０）を使用してカメラ画像（１１５）から対象物（１１０）を分類するステップ（３０５）であって、属性分類器（１２０）は多数の対象物例（２０５）を用いて予めオフライントレーニングで学習されている少なくとも１つの学習された車両モデル（２００）を含んでいるステップ（３０５）と、
   パラメータ化されたモデルおよび／またはテンプレートがカメラ画像（１１５）と比較されるステップ（４３５）と、
   前記カメラ画像（１１５）から、前記対象物（１１０）に割り当てられた少なくとも１つの固有の対象物特徴（２１０）を抽出するステップ（３１０）と、
   前記固有の対象物特徴（２１０）を使用して固有分類器（１３０）を作成するステップ（３１５）と、
   を有している、車両（１００）のための、対象物（１１０）を分類するための方法（３００）において、
   固有分類器（１３０）は、オンライントレーニングされる、
   ことを特徴とする、車両（１００）のための、対象物（１１０）を分類するための方法（３００）。
2. 前記分類するステップ（３０５）で、前記属性分類器（１２０）および前記固有分類器（１３０）を使用して別のカメラ画像（１５０）から別の対象物（１４５）を分類し、前記抽出するステップ（３１０）で、前記別の対象物（１４５）に割り当てられた少なくとも１つの別の固有の対象物特徴（２１０）を前記別のカメラ画像（１５０）から抽出し、前記作成するステップ（３１５）で、前記固有分類器（１３０）を前記別の固有の対象物特徴（２１０）を使用して適合させる、請求項１に記載の方法（３００）。
3. 前記作成するステップ（３１５）で、前記固有分類器（１３０）を環状記憶装置にメモリする、請求項１または２に記載の方法（３００）。
4. 周辺検出装置（１２５）を使用して前記カメラ画像（１１５）を算出するステップ（３２０）を有している、請求項１～３のいずれか一項に記載の方法（３００）。
5. 前記分類するステップ（３０５）で、前記対象物（１１０）の分類に関する分類精度が閾値を下回ると、前記カメラ画像（１１５）をメモリするステップ（３２５）を有している、請求項１～４のいずれか一項に記載の方法（３００）。
6. 前記メモリするステップ（３２５）で、対象物識別装置の外部に配置されたトレーニング装置（１３２）に前記カメラ画像（１１５）を送信する、請求項５に記載の方法（３００）。
7. 前記パラメータ化されたモデルおよび／またはテンプレートは、対象物（１１０）の３Ｄ格子型モデルであることを特徴とする、請求項１～６のいずれか一項に記載の方法（３００）。
8. 請求項１～７のいずれか一項に記載の前記方法（３００）のステップを実行するために設計された装置（１０５）。
9. 請求項１～７までのいずれか一項に記載の方法（３００）を実行させるためのコンピュータプログラム。
10. 請求項９に記載のコンピュータプログラムがメモリされている、機械読み取り可能な記憶媒体。

Images