JP7298436B2 - 障害物識別装置および障害物識別プログラム - Google Patents

Description

本開示は、障害物識別装置および障害物識別プログラム

従来、特許文献１に記載されているように、自車両が走行しているときに、オプティカルフローを用いて移動物体を検出する装置が知られている。

特開２００９－１４６１５３号公報

発明者等の検討によれば、自車両が走行しているとき、静止物体のオプティカルフローの方向が自車両の走行方向とは逆方向になるため、物体が静止物体および移動物体のいずれであるかを識別することができる。しかし、静止物体が柵等であって類似模様を有する場合、互いに対応しない特徴点が結ばれたオプティカルフローＯＰが生成されることがあるため、静止物体のオプティカルフローの方向が自車両の走行方向の逆方向とは異なる方向に出力されることがある。このため、静止物体が移動物体であると誤検知することがある。

本開示は、物体の識別精度を向上させる障害物識別装置および障害物識別プログラムを提供することを目的とする。

請求項１に記載の発明は、車両（９０）に搭載されるカメラ（１１、１２、１３、１４）によって撮像された画像を取得する取得部（Ｓ１１０）と、画像の特徴点を抽出する抽出部（Ｓ１２０）と、現時点よりも前に取得部が取得した画像の特徴点から、現時点で取得部が取得した画像の特徴点への移動ベクトルであるオプティカルフロー（ＯＰ）を生成する生成部（Ｓ１３０）と、特徴点の画素位置に基づいて、オプティカルフローをグループに分類する分類部（Ｓ１５０）と、分類部によって分類されたグループ内におけるオプティカルフローの長さ（Ｌｆ）のバラつき度合に基づいて、画像に映る物体が、類似模様を有する静止物体、および、移動物体のいずれであるかを判定する識別部（Ｓ１６５、Ｓ１７０、Ｓ１８０、Ｓ１９０）と、を備える障害物識別装置である。

また、請求項１１に記載の発明は、障害物識別装置を、車両（９０）に搭載されるカメラ（１１、１２、１３、１４）によって撮像された画像を取得する取得部（Ｓ１１０）、画像の特徴点を抽出する抽出部（Ｓ１２０）、現時点よりも前に取得部が取得した画像の特徴点から、現時点で取得部が取得した画像の特徴点への移動ベクトルであるオプティカルフロー（ＯＰ）を生成する生成部（Ｓ１３０）、特徴点の画素位置に基づいて、オプティカルフローをグループに分類する分類部（Ｓ１５０）、および、分類部によって分類されたグループ内におけるオプティカルフローの長さ（Ｌｆ）のバラつき度合に基づいて、画像に映る物体が、類似模様を有する静止物体、および、移動物体のいずれであるかを判定する識別部（Ｓ１６５、Ｓ１７０、Ｓ１８０、Ｓ１９０）として機能させる障害物識別プログラムである。

これにより、物体が静止物体および移動物体のいずれであるかを識別することができるため、物体の識別精度が向上する。

なお、各構成要素等に付された括弧付きの参照符号は、その構成要素等と後述する実施形態に記載の具体的な構成要素等との対応関係の一例を示すものである。

実施形態の障害物識別装置が用いられるシステムの構成図。 カメラの撮像範囲を示す車両の上面図。 Ｕ方向の勾配を演算するSobelフィルタを示す図。 Ｖ方向の勾配を演算するSobelフィルタを示す図。 カメラによって撮像された画像の一例。 処理部による処理のフローチャート。 クラスタリングを示す画像図。 類似模様物体のオプティカルフローを示す画像図。 霧状物体を示す画像図。 処理部によるパラメータ演算のサブフローチャート。 処理部の実行回数と類似模様物体のフロー長さの分散との関係図。 処理部の実行回数と移動物体のフロー長さの分散との関係図。 処理部の実行回数と類似模様物体のフロー方向差分の分散との関係図。 処理部の実行回数と移動物体のフロー方向差分の分散との関係図。 処理部の実行回数と霧状物体のフロー速度の分散との関係図。 処理部の実行回数と障害物のフロー速度の分散との関係図。

以下、実施形態について図面を参照しつつ説明する。なお、以下の各実施形態相互において、互いに同一もしくは均等である部分には、同一符号を付し、その説明を省略する。

本実施形態の障害物識別装置３０は、車両９０に搭載される障害物識別システム１０に用いられる。この障害物識別システム１０は、車両９０の周辺の物体が静止物体および移動物体のいずれであるかを識別する。また、この障害物識別システム１０は、移動物体のうち、液体と気体とを含む霧状物体等の流体、および、人や先行車等の障害物のいずれであるかを識別する。まず、この障害物識別システム１０について説明する。

図１に示すように、障害物識別システム１０は、フロントカメラ１１、リアカメラ１２、左側カメラ１３、右側カメラ１４、車速センサ１５、舵角センサ１６、障害物識別装置３０および表示装置５０を備えている。また、ここでは、車速センサ１５、舵角センサ１６および障害物識別装置３０は、例えば、車内ＬＡＮ６０に接続されている。この車内ＬＡＮ６０には、例えば、ＣＡＮが用いられる。なお、ＣＡＮは、Controller Area Networkの略である。

フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４は、それぞれ単眼のデジタルカメラである。また、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４が魚眼レンズをそれぞれ有しており、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４の視野角は、それぞれ１８０度である。そして、フロントカメラ１１は、例えば、車両９０の図示しないラジエータグリルの内側に取り付けられており、図２に示すように、車両９０の前方を撮像する。リアカメラ１２は、例えば、車両９０の後端の下側に取り付けられており、車両９０の後方を撮像する。左側カメラ１３は、例えば、車両９０の左ドアミラーの下側に取り付けられており、車両９０の前方に対して左側を撮像する。右側カメラ１４は、例えば、車両９０の右ドアミラーの下側に取り付けられており、車両９０の前方に対して右側を撮像する。そして、このフロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４によって撮像された画像は、障害物識別装置３０にそれぞれ出力される。なお、図２において、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４の撮像範囲がそれぞれ模式的に斜線ハッチングで示されている。また、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４の撮像範囲が重複する部分は、それぞれ模式的に網掛けハッチングで示されている。

車速センサ１５は、車両９０の速度である自車速度Ｖｃに応じた信号を車内ＬＡＮ６０に出力する。

舵角センサ１６は、車両９０のステアリング操作に基づく操舵角θｓに応じた信号を車内ＬＡＮ６０に出力する。

障害物識別装置３０は、マイコン等を主体として構成されており、ＣＰＵ、ＲＯＭ、ＲＡＭ、フラッシュメモリ、Ｉ／Ｏおよびこれらの構成を接続するバスライン等を備えている。具体的には、障害物識別装置３０は、通信部３１、入力部３２、フィルタ３３、記憶部３４、電源部３５、出力部３６および処理部４０を有する。

通信部３１は、車内ＬＡＮ６０と通信することにより、車速センサ１５および舵角センサ１６から自車速度Ｖｃおよび操舵角θｓをそれぞれ取得する。

入力部３２は、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４によって撮像された画像を取得する。そして、入力部３２は、これらの取得した画像をフィルタ３３および処理部４０に出力する。

フィルタ３３は、フィルタリング処理を行うのに特化した専用のアクセラレータである。このフィルタ３３は、入力部３２からの各画像における画素の輝度値およびその画素の近傍の輝度値に基づいて、出力画像の輝度値を演算する。ここでは、フィルタ３３は、入力部３２からの各画像に対して、解像度σｉを変更する、例えば、ガウシアンピラミッド用の画像縮小を行う。また、フィルタ３３は、ノイズ除去のためのガウシアンフィルタを用いて演算を行う。さらに、フィルタ３３は、図３および図４に示すように、エッジ検出のためのSobelフィルタを用いて演算を行う。したがって、フィルタ３３は、入力部３２からの各画像および縮小した各画像に対して、ガウシアンフィルタおよびSobelフィルタを用いて演算を行った各画像の値を処理部４０に出力する。

ここで、図３は、図５に示すフロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４によって撮像されたそれぞれの画像のＵ方向への勾配を求めるSobelフィルタの例である。さらに、図４は、図５に示すフロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４によって撮像されたそれぞれの画像のＶ方向への勾配を求めるSobelフィルタの例である。また、ここでは、Ｕ方向は、画像に対して左右方向とする。また、画像左側から画像右側への方向をＵ方向の正方向とする。さらに、Ｖ方向は、画像に対して上下方向とする。また、画像上側から画像下側への方向をＶ方向の正方向とする。また、図５では、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４のいずれかによって撮像された画像の例として、地平線９１が映し出されている。

記憶部３４は、ＲＡＭ、ＲＯＭ、フラッシュメモリ等を含んでおり、後述の処理部４０によって実行されるプログラムおよび処理部４０によって識別された物体の種類を記憶している。

電源部３５は、車両９０のイグニッションがオンされたときに、後述の処理部４０がプログラムを実行するための電力を処理部４０に供給する。

出力部３６は、後述の処理部４０によって処理された画像データを表示装置５０に出力する。

処理部４０は、取得部、抽出部、生成部、分類部、識別部、選定部に対応しており、記憶部３４に記憶されているプログラムを実行する装置である。また、処理部４０は、このプログラムを実行するとき、記憶部３４のＲＡＭを作業領域として使用する。

表示装置５０は、出力部３６からの画像データを表示する。これにより、障害物識別システム１０では、処理部４０によって処理された画像が視認可能になっている。

以上のように、障害物識別システム１０は構成されている。この障害物識別システム１０では、障害物識別装置３０の処理部４０がプログラムを実行することにより、車両９０の周辺の物体が識別される。具体的には、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４によって撮像された画像に映る物体が、静止物体および移動物体のいずれであるかが識別される。また、移動物体が霧状物体および障害物のいずれであるかが識別される。

次に、図６のフローチャートを参照して、この処理部４０による識別について説明する。ここでは、例えば、処理部４０は、車両９０のイグニッションがオンされたとき、ＲＯＭに記憶されているプログラムを実行することにより、物体の識別を行う。また、ここでは、便宜上、処理部４０のステップＳ１１０の処理が開始されてからステップＳ１１０の処理に戻るまでの一連の動作の期間を処理部４０の処理周期τとする。この処理部４０の処理周期τの時間は、例えば、数十ミリ秒から百ミリ秒である。また、ここでは、便宜上、現時点の処理周期τを今回処理周期τ（ｎ）と適宜記載する。さらに、現時点に対して前回の処理周期τを前回処理周期τ（ｎ－１）と適宜記載する。なお、ｎは、１以上の自然数であって、処理部４０のステップＳ１１０からステップＳ１１０に戻るまでの処理の実行回数である。また、車両９０のイグニッションがオンされた初期の処理周期τ（０）における処理部４０の後述する各値は、予め設定されている。

ステップＳ１１０において、処理部４０は、フロントカメラ１１、リアカメラ１２、左側カメラ１３および右側カメラ１４のそれぞれによって撮像された画像を入力部３２から取得する。また、処理部４０は、この取得した画像にそれぞれ対応し、フィルタ３３によって処理された画像をフィルタ３３から取得する。

続いて、ステップＳ１２０において、処理部４０は、ステップＳ１１０にて取得した画像のそれぞれについて、物体の特徴点を抽出する。ここで、この特徴点の抽出を説明するために、入力部３２から取得した画像内の各画素の輝度値を入力輝度Ｉｃ（Ｕ、Ｖ）とする。なお、ここでは、画素の輝度値とは、例えば、１画素中の値を０～２５５の数値で表したものである。また、（Ｕ、Ｖ）のＵは、画像内の基準位置からのＵ方向の画素位置を示す。さらに、（Ｕ、Ｖ）のＶは、画像内の基準位置からのＶ方向の画素位置を示す。

そして、具体的には、処理部４０は、以下関係式（１）に示すように、各画素の輝度勾配Ｍｃを演算する。輝度勾配Ｍｃは、Ｉｕの自乗とＩｖの自乗との和の正の平方根である。この関係式（１）において、Ｉｕは、入力輝度Ｉｃ（Ｕ、Ｖ）のＵ方向の勾配であって、フィルタ３３によって演算されている。また、Ｉｕは、第１勾配に対応する。さらに、Ｉｖは、入力輝度Ｉｃ（Ｕ、Ｖ）のＶ方向の勾配であって、フィルタ３３によって演算されている。また、Ｉｖは、第２勾配に対応する。

そして、処理部４０は、以下関係式（２）に示すように、輝度勾配Ｍｃが特徴点閾値Ｍｐ＿ｔｈ以上である画素を特徴点として抽出する。なお、特徴点閾値Ｍｐ＿ｔｈは、画像内の物体の特徴点を抽出するための値であって、実験やシミュレーション等によって設定される。

Ｍｃ≧Ｍｐ＿ｔｈ ・・・（２）

続いて、ステップＳ１３０において、処理部４０は、ステップＳ１２０にて抽出した特徴点に基づいて、オプティカルフローＯＰを生成する。例えば、処理部４０は、ブロックマッチング法を用いてオプティカルフローＯＰを生成する。なお、ここでは、オプティカルフローＯＰは、前回処理周期τ（ｎ－１）にて抽出した特徴点に対応する今回処理周期τ（ｎ）にて抽出した特徴点の画像中の移動ベクトルである。

具体的には、処理部４０は、今回処理周期τ（ｎ）にて取得した画像上において、前回処理周期τ（ｎ－１）にて抽出した特徴点の画素を中心とする画素ブロックを、テンプレートとして走査する。このとき、処理部４０は、このテンプレートの画素位置の輝度値と、今回処理周期τ（ｎ）にて取得した画像におけるそのテンプレートの画素位置に対応する画素位置の輝度値との差分をそれぞれ演算する。そして、処理部４０は、この画素ブロック内の輝度値の差分絶対値和、すなわち、ＳＡＤを演算する。これによって、処理部４０は、前回処理周期τ（ｎ－１）の特徴点と今回処理周期τ（ｎ）の特徴点との類似度を推定する。なお、ＳＡＤは、Sum of Absolute Differenceの略である。

そして、処理部４０は、この演算したＳＡＤが最小となる、すなわち、類似度が最大となる前回処理周期τ（ｎ－１）の特徴点と今回処理周期τ（ｎ）の特徴点とを結ぶ。これによって、処理部４０は、前回処理周期τ（ｎ－１）で抽出した特徴点のオプティカルフローＯＰを生成する。また、ここでは、処理部４０は、各画像に対して画像の解像度σｉすなわちピラミッドレベルを変更して、各解像度σｉの画像におけるオプティカルフローＯＰを上記のように生成する。

続いて、ステップＳ１４０において、処理部４０は、ステップＳ１３０にて生成した各オプティカルフローＯＰの信頼性を判定する。具体的には、処理部４０は、画像に映る物体が移動物体であるという信頼性が比較的高いオプティカルフローＯＰを選定する。ここで、このオプティカルフローＯＰの選定を説明するために、以下の用語を定義する。処理周期τ間で互いに対応するオプティカルフローＯＰが連続して生成された回数、すなわち、連続して追跡された回数をトラッキング回数Ｎｔとする。このトラッキング回数Ｎｔは、処理周期τ間で互いに対応するオプティカルフローＯＰが生成される度に、処理部４０によって計上される。また、オプティカルフローＯＰのＵ方向の座標成分をフローＵ成分ΔＵとする。オプティカルフローＯＰのＶ方向の座標成分をフローＶ成分ΔＶとする。オプティカルフローＯＰの長さをフロー長さＬｆとする。フロー長さＬｆから、車両９０の移動距離に対応するオプティカルフローＯＰの長さを除去した長さをエゴキャンセルフロー長Ｌｃとする。オプティカルフローＯＰとＵ方向に延びる軸とでなす角度をフロー角度θｆとする。今回処理周期τ（ｎ）で生成されたオプティカルフローＯＰの角度から、前回処理周期τ（ｎ－１）で生成されたオプティカルフローＯＰの角度を減算した値をフロー方向差分Δθｆとする。画像内において２つの際立ったエッジが存在するコーナーであるか否かを示す指標をコーナー度Ｒｆとする。

そして、処理部４０は、上記した各解像度σｉの画像において生成したオプティカルフローＯＰのうち、以下関係式（３－１）に示すように解像度σｉが解像度閾値σｉ＿ｔｈ以上の画像で生成したオプティカルフローＯＰを選定する。

σｉ≧σｉ＿ｔｈ ・・・（３－１）

また、処理部４０は、上記により選定したオプティカルフローＯＰのうち、以下関係式（３－２）に示すようにトラッキング回数Ｎｔがトラッキング閾値Ｎｔ＿ｔｈ以上であるオプティカルフローＯＰを選定する。

Ｎｔ≧Ｎｔ＿ｔｈ ・・・（３－２）

また、処理部４０は、以下関係式（３－３）に示すように、それぞれのオプティカルフローＯＰのフローＵ成分ΔＵおよびフローＶ成分ΔＶに基づいて、フロー長さＬｆを演算する。

そして、処理部４０は、上記により選定したオプティカルフローＯＰのうち、以下関係式（３－４）に示すようにフロー長さＬｆがフロー長閾値Ｌｆ＿ｔｈ以上であるオプティカルフローＯＰを選定する。

Ｌｆ≧Ｌｆ＿ｔｈ ・・・（３－４）

また、処理部４０は、車速センサ１５および舵角センサ１６から車内ＬＡＮ６０および通信部３１を経由して、自車速度Ｖｃおよび操舵角θｓをそれぞれ取得する。さらに、処理部４０は、自車速度Ｖｃ、操舵角θｓおよび処理周期τの時間に基づいて、３次元空間座標系における処理周期τ間の車両９０の移動ベクトルである車両移動ベクトルΔＬを演算する。このとき、処理部４０は、フロントカメラ１１、リアカメラ１２、左側カメラ１３、右側カメラ１４のそれぞれの向き、焦点距離、路面に対する位置および角度に基づいて、３次元空間座標系からＵＶ座標系への座標変換を行う。また、処理部４０は、この３次元空間座標系における車両移動ベクトルΔＬを画像のＵＶ座標系に変換することにより、車両移動ベクトルΔＬに対応するフロー長さＬｆを演算する。そして、処理部４０は、フローＵ成分ΔＵおよびフローＶ成分ΔＶに基づいて演算したフロー長さＬｆから、この車両移動ベクトルΔＬに対応するフロー長さＬｆを減算することにより、エゴキャンセルフロー長Ｌｃを演算する。

そして、処理部４０は、上記により選定したオプティカルフローＯＰのうち、以下関係式（３－５）に示すようにエゴキャンセルフロー長Ｌｃがキャンセル閾値Ｌｃ＿ｔｈ以上であるオプティカルフローＯＰを選定する。

Ｌｃ≧Ｌｃ＿ｔｈ ・・・（３－５）

また、処理部４０は、以下関係式（３－６）に示すように、それぞれのオプティカルフローＯＰのフローＵ成分ΔＵおよびフローＶ成分ΔＶに基づいて、フロー角度θｆを演算する。

さらに、処理部４０は、以下関係式（３－７）に示すように、この演算したフロー角度θｆに基づいて、フロー方向差分Δθｆを演算する。そして、処理部４０は、上記により選定したオプティカルフローＯＰのうち、以下関係式（３－８）に示すようにフロー方向差分Δθｆが方向差分閾値Δθｆ＿ｔｈ以下であるオプティカルフローＯＰを選定する。なお、ここでは、今回処理周期τ（ｎ）で生成されたオプティカルフローＯＰは、前回処理周期τ（ｎ－１）における特徴点の移動ベクトルである。このため、関係式（３－７）では、今回処理周期τ（ｎ）にて演算されたフロー角度θｆがθｆ（ｎ－１）と表されている。同様に、前回処理周期τ（ｎ－１）で生成されたオプティカルフローＯＰは、２回前処理周期τ（ｎ－２）における特徴点の移動ベクトルである。このため、関係式（３－７）では、前回処理周期τ（ｎ－１）にて演算されたフロー角度θｆがθｆ（ｎ－２）と表されている。

θｆ＝θｆ（ｎ－１）－θｆ（ｎ－２） ・・・（３－７）
Δθｆ≦Δθｆ＿ｔｈ ・・・（３－８）

また、処理部４０は、ハリスコーナー法を用いて、オプティカルフローＯＰを生成した特徴点のコーナー度Ｒｆを演算する。具体的には、処理部４０は、以下関係式（３－９）に示すように、ヘッセ行列Ｈを用いて、コーナー度Ｒｆを演算する。このヘッセ行列Ｈは、関係式（３－９）に示すように、ＩｕおよびＩｖに基づいた成分を有する。なお、Ｉｕは、上記したように、入力輝度Ｉｃ（Ｕ、Ｖ）のＵ方向の勾配であって、フィルタ３３によって演算される。また、Ｉｖは、上記したように、入力輝度Ｉｃ（Ｕ、Ｖ）のＶ方向の勾配であって、フィルタ３３によって演算される。さらに、λ１およびλ２は、それぞれ、ヘッセ行列Ｈの固有値である。また、ｋは、定数であって、例えば、０．０４～０．０６である。

そして、処理部４０は、上記により選定したオプティカルフローＯＰのうち、以下関係式（３－１０）に示すようにコーナー度Ｒｆがコーナー閾値Ｒｆ＿ｔｈよりも大きい特徴点に対応するオプティカルフローＯＰを選定する。

Ｒｆ≧Ｒｆ＿ｔｈ ・・・（３－１０）

以上のように、処理部４０は、オプティカルフローＯＰの信頼性を判定する。これにより、以下に説明するように、物体が移動物体であるという信頼性が比較的高いオプティカルフローＯＰが選定される。

例えば、静止物体のフロー長さＬｆは、自車速度Ｖｃによるため比較的小さくなる。また、移動物体のフロー長さＬｆは、自車速度Ｖｃおよび移動物体の移動速度によるため比較的大きくなる。このため、フロー長さＬｆがフロー長閾値Ｌｆ＿ｔｈ以上であるオプティカルフローＯＰが選定される。また、エゴキャンセルフロー長Ｌｃがキャンセル閾値Ｌｃ＿ｔｈ以上であるオプティカルフローＯＰが選定される。さらに、一方向に移動する物体のフロー方向差分Δθｆは、比較的小さくなる。このため、フロー方向差分Δθｆが方向差分閾値Δθｆ＿ｔｈ以下であるオプティカルフローＯＰが選定される。これらにより、例えば、画像内の移動物体のオプティカルフローＯＰが選定される。また、今回処理周期τ（ｎ）における画像内の静止物体のオプティカルフローＯＰが除去される。したがって、ここでのフロー長閾値Ｌｆ＿ｔｈ、キャンセル閾値Ｌｃ＿ｔｈおよび方向差分閾値Δθｆ＿ｔｈは、上記のように選定されるように実験およびシミュレーション等により設定される。

また、上記したように、各解像度σｉの画像においてオプティカルフローＯＰが生成されており、解像度σｉが解像度閾値σｉ＿ｔｈ以上の画像で生成されたオプティカルフローＯＰが選定される。また、トラッキング回数Ｎｔがトラッキング閾値Ｎｔ＿ｔｈ以上であるオプティカルフローＯＰが選定される。これらにより、オプティカルフローＯＰの精度が高くなるため、例えば、フロー長さＬｆ、フロー方向差分Δθｆおよびエゴキャンセルフロー長Ｌｃの精度が高くなる。したがって、ここでの解像度閾値σｉ＿ｔｈおよびトラッキング閾値Ｎｔ＿ｔｈは、上記のように選定されるように実験およびシミュレーション等により設定される。

また、移動物体のうち歩行者等の人の足元は、路面に接するため、人の足元のオプティカルフローＯＰが車両９０から歩行者までの距離検出等に用いられる。したがって、ここでは、コーナー度Ｒｆがコーナー閾値Ｒｆ＿ｔｈよりも大きい特徴点に対応するオプティカルフローＯＰが選定される。これにより、例えば、人の足元のオプティカルフローＯＰが選定されやすくなる。よって、ここでのコーナー閾値Ｒｆ＿ｔｈは、上記のように選定されるように実験およびシミュレーション等により設定される。

続いて、ステップＳ１５０において、処理部４０は、ステップＳ１４０にて選定したオプティカルフローＯＰをグループに分類することにより、クラスタリングを行う。具体的には、処理部４０は、前回処理周期τ（ｎ－１）にて撮像された画像の特徴点の画素位置とその特徴点のフロー長さＬｆとフロー角度θｆとが類似するオプティカルフローＯＰ同士を１つのグループに分類する。例えば、処理部４０は、前回処理周期τ（ｎ－１）における特徴点の位置同士の距離が所定の距離範囲内、フロー長さＬｆが所定の長さ範囲内、かつ、フロー角度θｆが所定の角度範囲内であるオプティカルフローＯＰ同士を抽出する。そして、処理部４０は、図７に示すように、これらの抽出したオプティカルフローＯＰを１つのグループにする。なお、図７において、クラスタリングされた１つの物体がＹ（ｎ－１）および実線で模式的に示されている。

続いて、ステップＳ１６０において、処理部４０は、ステップＳ１５０にてクラスタリングした各グループ、すなわち、前回処理周期τ（ｎ－１）における特徴点のグループの物理量を演算する。ここでは、処理部４０は、３次元空間座標系における各グループの位置、そのグループの大きさを示す長さおよび幅、ならびに、そのグループの移動ベクトルを演算する。具体的には、処理部４０は、処理部４０は、フロントカメラ１１、リアカメラ１２、左側カメラ１３、右側カメラ１４のそれぞれの向き、焦点距離、路面に対する位置および角度に基づいて、画像のＵＶ座標系から３次元空間座標系への座標変換を行う。そして、処理部４０は、画像のＵＶ座標系の各グループの特徴点およびオプティカルフローＯＰを、３次元空間座標系の各グループの特徴点およびオプティカルフローＯＰに変換する。また、処理部４０は、この座標変換した特徴点に基づいて、各グループの代表位置Ｐｒ、そのグループの大きさを示す長さおよび幅を演算する。さらに、処理部４０は、この座標変換したオプティカルフローＯＰに基づいて、各グループの代表移動ベクトルＯｒを演算する。なお、代表位置Ｐｒは、例えば、物体の重心である。また、物体が人である場合、代表位置Ｐｒは、人の足元であってもよい。

ここで、図８に示すように、静止物体のオプティカルフローＯＰは、車両９０の走行方向とは逆方向になる。しかし、物体が柵等であって類似模様を有する場合、ステップＳ１３０にて前回処理周期τ（ｎ－１）の特徴点と対応しない今回処理周期τ（ｎ）の特徴点とで、上記ＳＡＤが最小、すなわち、類似度が最大となることがある。このため、ステップＳ１３０にて前回処理周期τ（ｎ－１）の特徴点と、その特徴点に対応すべき今回処理周期τ（ｎ）の特徴点とが対応しないことがある。したがって、ステップＳ１３０において、物体が静止物体であるにもかかわらず、類似模様を有する静止物体のオプティカルフローＯＰの長さは、他の静止物体と異なることがある。また、類似模様を有する静止物体のオプティカルフローＯＰの方向は、車両９０の走行方向の逆方向とは異なることがある。このため、類似模様を有する静止物体が移動物体であると誤検知されることがある。また、図９に示すように、移動物体が水滴と水蒸気とを含む霧状物体等の流体であるとき、霧状物体のオプティカルフローＯＰが出力されるため、霧状物体を人や先行車等の障害物であると誤検知されることがある。なお、図８において、類似模様を有する静止物体がＸｓで示されている。また、図９において、先行車がＸｃで示されており、霧状物体がＸｍで示されている。

よって、ステップＳ１５０にてクラスタリングされた物体は、類似模様を有する静止物体、霧状物体および移動物体のいずれである場合がある。このため、ステップＳ１６０に続くステップＳ１６５において、処理部４０は、類似模様を有する静止物体、霧状物体および移動物体のいずれであるかを識別するために、後述のパラメータをグループ毎に演算する。具体的には、処理部４０は、ステップＳ１５０にてクラスタリングしたグループにおけるオプティカルフローＯＰのバラつき度合として、グループにおけるフロー長さＬｆ、フロー方向差分Δθｆおよび後述のフロー速度Ｖｆの分散を演算する。以下では、処理部４０は、図１０のサブフローチャートを参照して、このパラメータの演算について説明する。また、以下では、便宜上、類似模様を有する静止物体を類似模様物体と記載する。

ステップＳ３１０において、処理部４０は、ステップＳ１４０にて演算したフロー長さＬｆのうち、ステップＳ１５０にてクラスタリングしたグループに対応する各フロー長さＬｆを抽出する。また、処理部４０は、この抽出したフロー長さＬｆおよびグループ内のオプティカルフローＯＰの個数に基づいて、フロー長さＬｆの平均を演算する。そして、処理部４０は、この抽出したフロー角度θｆ、この演算したフロー長さＬｆの平均およびグループの個数に基づいて、グループにおけるフロー長さＬｆの分散を演算する。

続いて、ステップＳ３２０において、処理部４０は、ステップＳ１４０にて演算したフロー方向差分Δθｆのうち、ステップＳ１５０にてクラスタリングしたグループに対応する各フロー方向差分Δθｆを抽出する。また、処理部４０は、この抽出したフロー方向差分Δθｆおよびグループ内のオプティカルフローＯＰの個数に基づいて、フロー方向差分Δθｆの平均を演算する。そして、処理部４０は、この抽出したフロー方向差分Δθｆ、この演算したフロー方向差分Δθｆの平均およびグループの個数に基づいて、グループにおけるフロー方向差分Δθｆの分散を演算する。

続いて、ステップＳ３３０において、処理部４０は、以下関係式（４）に示すように、上記にて抽出したフロー長さＬｆおよび処理周期τに基づいて、各オプティカルフローＯＰに対応する速さであるフロー速度Ｖｆを演算する。

Ｖｆ＝Ｌｆ／τ ・・・（４）

そして、処理部４０は、この演算したフロー速度Ｖｆおよびグループ内のオプティカルフローＯＰの個数に基づいて、フロー速度Ｖｆの平均を演算する。そして、処理部４０は、この抽出したフロー速度Ｖｆ、この演算したフロー速度Ｖｆの平均およびグループの個数に基づいて、グループにおけるフロー速度Ｖｆの分散を演算する。

このようにして、処理部４０は、ステップＳ１６５において、フロー長さＬｆ、フロー方向差分Δθｆおよびフロー速度Ｖｆの分散をグループ毎に演算する。

ステップＳ１６５に続くステップＳ１７０において、処理部４０は、ステップＳ１６５にて演算した各パラメータに基づいて、物体が、類似模様物体および移動物体のいずれであるかを判定する。また、処理部４０は、移動物体のうち、液体と気体とを含む霧状物体等の流体、および、人や先行車等の障害物のいずれであるかを判定する。

例えば、上記したように、物体が類似模様物体である場合、前回処理周期τ（ｎ－１）の特徴点と、その特徴点に対応すべき今回処理周期τ（ｎ）の特徴点とが対応しないことがある。このため、クラスタリングされたグループ内のフロー長さＬｆの分散が比較的大きくなることがある。したがって、図１１に示すように、処理部４０の実行回数に対する類似模様物体のフロー長さＬｆの分散のバラつきは、比較的大きくなる。これに対して、物体が移動物体である場合、移動物体は、移動物体は一様に移動するため、図１２に示すように、処理部４０の実行回数に対する移動物体のフロー長さＬｆの分散のバラつきは、比較的小さくなる。

よって、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー長さＬｆの分散が閾値より大きいグループを抽出する。また、処理部４０は、前回処理周期τ（ｎ－１）および前々回処理周期τ（ｎ－２）において、この抽出したグループに対応するグループを抽出していたとき、そのグループを類似模様物体と判定する。したがって、処理部４０は、今回処理周期τ（ｎ）と今回処理周期τ（ｎ）よりも前とに互いに対応するグループを連続して所定回数Ｎｓ以上、フロー長さＬｆの分散が大きいとして抽出したとき、そのグループを類似模様物体と判定する。また、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー長さＬｆの分散が閾値以下であるグループを移動物体と判定する。なお、このフロー長さＬｆの分散に関する閾値は、実験やシミュレーション等によって設定される。また、所定回数Ｎｓは、２以上の自然数である。

また、上記したように、物体が類似模様物体である場合、オプティカルフローＯＰの方向は、車両９０の走行方向と異なることがある。このため、クラスタリングされたグループ内のフロー方向差分Δθｆの分散が比較的大きくなることがある。したがって、図１３に示すように、処理部４０の実行回数に対する類似模様物体のフロー方向差分Δθｆの分散のバラつきは、比較的大きくなる。これに対して、物体が移動物体である場合、移動物体は一様に移動するため、図１４に示すように、処理部４０の実行回数に対する移動物体のフロー方向差分Δθｆの分散のバラつきは、比較的小さくなる。

よって、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー方向差分Δθｆの分散が閾値より大きいグループを抽出する。また、処理部４０は、前回処理周期τ（ｎ－１）および前々回処理周期τ（ｎ－２）において、この抽出したグループに対応するグループを抽出していたとき、そのグループを類似模様物体と判定する。したがって、処理部４０は、今回処理周期τ（ｎ）と今回処理周期τ（ｎ）よりも前とに互いに対応するグループを連続して所定回数Ｎｓ以上、フロー方向差分Δθｆの分散が大きいとして抽出したとき、そのグループを類似模様物体と判定する。また、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー方向差分Δθｆの分散が閾値以下であるグループを移動物体と判定する。なお、このフロー方向差分Δθｆの分散に関する閾値は、実験やシミュレーション等によって設定される。また、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー方向差分Δθｆの分散が閾値以下であるグループを移動物体と判定する。なお、このフロー方向差分Δθｆの分散に関する閾値は、実験やシミュレーション等によって設定される。また、ここでは、処理部４０は、上記したフロー長さＬｆおよびフロー方向差分Δθｆの条件のいずれかを満たすとき、ステップＳ１５０にてクラスタリングしたグループを類似模様物体と判定する。

このようにして、物体が類似模様物体および移動物体のいずれであるかが判定される。

また、移動物体が霧状物体である場合、車両９０の周辺の風等の環境により霧状物体の速さおよび大きさの変化が生じやすい。このため、クラスタリングされたグループ内のフロー速度Ｖｆの分散が比較的大きくなることがある。したがって、図１５に示すように、処理部４０の実行回数に対する霧状物体のフロー速度Ｖｆの分散のバラつきは、比較的大きくなる。これに対して、移動物体が人や先行車等の障害物である場合、これらの障害物は一様に移動するため、急激な速さの変化が起こりにくい。このため、図１６に示すように、処理部４０の実行回数に対する障害物のフロー速度Ｖｆの分散のバラつきは、比較的小さくなる。

よって、処理部４０は、上記で移動物体と判定したグループのうち、ステップＳ１６５にて演算したフロー速度Ｖｆの分散が閾値より大きいグループを抽出する。また、処理部４０は、前回処理周期τ（ｎ－１）および前々回処理周期τ（ｎ－２）において、この抽出したグループに対応するグループを抽出していたとき、そのグループを霧状物体と判定する。したがって、処理部４０は、今回処理周期τ（ｎ）と今回処理周期τ（ｎ）よりも前とに互いに対応するグループを連続して所定回数Ｎｓ以上、フロー速度Ｖｆの分散が閾値より大きいとして抽出したとき、そのグループを霧状物体と判定する。また、処理部４０は、上記で移動物体と判定したグループのうち、ステップＳ１６５にて演算したフロー速度Ｖｆの分散が閾値以下であるグループを、人や先行車等の障害物と判定する。なお、このフロー速度Ｖｆの分散に関する閾値は、実験やシミュレーション等によって設定される。

このようにして、物体が移動物体のうち霧状物体および障害物のいずれであるかが判定される。

ステップＳ１７０に続くステップＳ１８０において、処理部４０は、ステップＳ１７０にて障害物と判定したグループを障害物として記憶部３４のＲＡＭに記憶させる。その後、処理は、ステップＳ１１０に戻る。

ステップＳ１７０に続くステップＳ１９０において、処理部４０は、ステップＳ１７０にて類似模様物体と判定したグループを障害物以外として記憶部３４のＲＡＭに記憶させる。また、処理部４０は、ステップＳ１７０にて霧状物体と判定したグループを障害物以外として記憶部３４のＲＡＭに記憶させる。その後、処理は、ステップＳ１１０に戻る。

このようにして、障害物識別システム１０では、処理部４０により車両９０の周辺の物体が識別される。

次に、この障害物識別システム１０では、物体の識別精度が向上することについて説明する。

上記図１１に示したように、処理部４０の実行回数に対する類似模様物体のフロー長さＬｆの分散のバラつきは、比較的大きくなる。したがって、処理部４０は、ステップＳ１５０にて分類したグループ内におけるフロー長さＬｆの分散に基づいて、物体が類似模様物体および移動物体のいずれであるかを識別する。具体的には、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー長さＬｆの分散が閾値より大きいグループを、類似模様物体と判定する。また、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー長さＬｆの分散が閾値以下であるグループを移動物体と判定する。これにより、物体が類似模様物体および移動物体のいずれであるかを識別できるため、物体の識別精度が向上する。

また、この障害物識別装置３０では、以下［１］－［４］に説明するような効果も奏する。

［１］上記図１３に示したように、処理部４０の実行回数に対する類似模様物体のフロー方向差分Δθｆの分散のバラつきは、比較的大きくなる。したがって、処理部４０は、ステップＳ１５０にて分類したグループ内におけるフロー方向差分Δθｆの分散に基づいて、物体が類似模様物体および移動物体のいずれであるかを識別する。具体的には、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー方向差分Δθｆの分散が閾値より大きいグループを、類似模様物体と判定する。また、処理部４０は、ステップＳ１５０にてクラスタリングしたグループのうち、ステップＳ１６５にて演算したフロー方向差分Δθｆの分散が閾値以下であるグループを移動物体と判定する。これにより、物体が類似模様物体および移動物体のいずれであるかを識別できるため、物体の識別精度が向上する。

［２］上記図１５に示したように、処理部４０の実行回数に対する霧状物体のフロー速度Ｖｆの分散のバラつきは、比較的大きくなる。したがって、処理部４０は、ステップＳ１５０にて分類したグループ内におけるフロー速度Ｖｆの分散に基づいて、移動物体が霧状物体および障害物のいずれであるかを識別する。具体的には、処理部４０は、上記で移動物体と判定したグループのうち、ステップＳ１６５にて演算したフロー速度Ｖｆの分散が閾値より大きいグループを、霧状物体と判定する。また、処理部４０は、上記で移動物体と判定したグループのうち、ステップＳ１６５にて演算したフロー速度Ｖｆの分散が閾値以下であるグループを、人や先行車等の障害物と判定する。これにより、移動物体が霧状物体および障害物のいずれであるかを識別できるため、物体の識別精度が向上する。

［３］処理部４０は、解像度σｉ、トラッキング回数Ｎｔ、フロー長さＬｆ、エゴキャンセルフロー長Ｌｃ、フロー方向差分Δθｆおよびコーナー度Ｒｆに基づいて、ステップＳ１３０にて生成したオプティカルフローＯＰを選定する。これにより、物体が移動物体であるという信頼性が比較的高いオプティカルフローＯＰが選定される。

［４］処理部４０は、輝度勾配Ｍｃに基づいて、特徴点を抽出する。これにより、特徴点の抽出が容易になるとともに、必要な特徴点が比較的多く抽出される。

（他の実施形態）
本開示は、上記実施形態に限定されるものではなく、上記実施形態に対して、適宜変更が可能である。また、上記各実施形態において、実施形態を構成する要素は、特に必須であると明示した場合および原理的に明らかに必須であると考えられる場合等を除き、必ずしも必須のものではないことは言うまでもない。

本開示に記載の処理部等およびその手法は、コンピュータプログラムにより具体化された一つ乃至は複数の機能を実行するようにプログラムされたプロセッサおよびメモリを構成することによって提供された専用コンピュータにより、実現されてもよい。あるいは、本開示に記載の処理部等およびその手法は、一つ以上の専用ハードウエア論理回路によってプロセッサを構成することによって提供された専用コンピュータにより、実現されてもよい。もしくは、本開示に記載の処理部等およびその手法は、一つ乃至は複数の機能を実行するようにプログラムされたプロセッサおよびメモリと一つ以上のハードウエア論理回路によって構成されたプロセッサとの組み合わせにより構成された一つ以上の専用コンピュータにより、実現されてもよい。また、コンピュータプログラムは、コンピュータにより実行されるインストラクションとして、コンピュータ読み取り可能な非遷移有形記録媒体に記憶されていてもよい。

（１）上記実施形態では、処理部４０は、ＳＡＤを演算することにより、前回処理周期τ（ｎ－１）の特徴点と今回処理周期τ（ｎ）の特徴点との類似度を推定する。これに対して、処理部４０は、ＳＡＤを演算することに限定されない。処理部４０は、この画素ブロック内の差分二乗和、すなわち、ＳＳＤを演算することによって前回処理周期τ（ｎ－１）の特徴点と今回処理周期τ（ｎ）の特徴点との類似度を推定してもよい。また、処理部４０は、この画素ブロック内の正規化相互相関、すなわち、ＮＣＣを演算することによって、前回処理周期τ（ｎ－１）の特徴点と今回処理周期τ（ｎ）の特徴点との類似度を推定してもよい。なお、ＳＳＤは、Sum of Squared Differenceの略である。ＮＣＣは、Normalized Cross Correlationの略である。

（２）上記実施形態では、フィルタ３３は、Sobelフィルタを用いて、画像のＵ方向への勾配および画像のＶ方向への勾配を演算する。これに対して、フィルタ３３は、Sobelフィルタを用いることに限定されないで、微分フィルタ、PrewittフィルタおよびRobertsフィルタ等を用いて、画像のＵ方向への勾配および画像のＶ方向への勾配を演算してもよい。

（３）上記実施形態では、具体的には、処理部４０は、ステップＳ１５０にてクラスタリングしたグループにおけるオプティカルフローＯＰのバラつき度合として、グループにおけるフロー長さＬｆ、フロー方向差分Δθｆおよびフロー速度Ｖｆの分散を演算する。これに対して、処理部４０は、バラつき度合として、これらの分散を演算することに限定されない。例えば、処理部４０は、ステップＳ１５０にてクラスタリングしたグループにおけるオプティカルフローＯＰのバラつき度合として、グループにおけるフロー長さＬｆ、フロー方向差分Δθｆおよびフロー速度Ｖｆの標準偏差を演算してもよい。また、処理部４０は、このバラつき度合として、処理周期τ毎に対するグループにおけるフロー長さＬｆ、フロー方向差分Δθｆおよびフロー速度Ｖｆのそれぞれの平均の変化量を演算してもよい。

１０ 障害物識別システム
１１ フロントカメラ
１２ リアカメラ
１３ 左側カメラ
１４ 右側カメラ
３０ 障害物識別装置
９０ 車両

Claims (11)

1. 車両（９０）に搭載されるカメラ（１１、１２、１３、１４）によって撮像された画像を取得する取得部（Ｓ１１０）と、
   前記画像の特徴点を抽出する抽出部（Ｓ１２０）と、
   現時点よりも前に前記取得部が取得した前記画像の前記特徴点から、現時点で前記取得部が取得した前記画像の前記特徴点への移動ベクトルであるオプティカルフロー（ＯＰ）を生成する生成部（Ｓ１３０）と、
   前記特徴点の画素位置に基づいて、前記オプティカルフローをグループに分類する分類部（Ｓ１５０）と、
   前記分類部によって分類されたグループ内における前記オプティカルフローの長さ（Ｌｆ）のバラつき度合に基づいて、前記画像に映る物体が、類似模様を有する静止物体、および、移動物体のいずれであるかを判定する識別部（Ｓ１６５、Ｓ１７０、Ｓ１８０、Ｓ１９０）と、
   を備える障害物識別装置。
2. 前記識別部は、前記分類部によって分類されたグループ内における前記オプティカルフローの長さ（Ｌｆ）のバラつき度合が閾値より大きいとき、前記画像に映る物体が静止物体であると判定し、前記分類部によって分類されたグループ内における前記オプティカルフローの長さ（Ｌｆ）のバラつき度合が閾値以下であるとき、前記画像に映る物体が移動物体であると判定する請求項１に記載の障害物識別装置。
3. 前記識別部は、前記分類部によって分類されたグループ内における前記オプティカルフローの角度（θｆ）の変化である方向差分（Δθｆ）のバラつき度合に基づいて、前記画像に映る物体が静止物体および移動物体のいずれであるかを判定する請求項１または２に記載の障害物識別装置。
4. 前記識別部は、前記分類部によって分類されたグループ内における前記オプティカルフローの角度（θｆ）の変化である方向差分（Δθｆ）のバラつき度合が閾値より大きいとき、前記画像に映る物体が静止物体であると判定し、前記分類部によって分類されたグループ内における前記オプティカルフローの角度（θｆ）の変化である方向差分（Δθｆ）のバラつき度合が閾値以下であるとき、前記画像に映る物体が移動物体であると判定する請求項３に記載の障害物識別装置。
5. 前記識別部は、前記分類部によって分類されたグループ内における前記オプティカルフローの速度（Ｖｆ）のバラつき度合に基づいて、前記画像に映る移動物体が霧状物体および障害物のいずれであるかを判定する請求項１ないし４のいずれか１つに記載の障害物識別装置。
6. 前記識別部は、前記分類部によって分類されたグループ内における前記オプティカルフローの速度（Ｖｆ）のバラつき度合が閾値より大きいとき、前記画像に映る物体が霧状物体であると判定し、前記分類部によって分類されたグループ内における前記オプティカルフローの速度（Ｖｆ）のバラつき度合が閾値以下であるとき、前記画像に映る物体が移動物体であると判定する請求項５に記載の障害物識別装置。
7. 前記画像における画素の輝度値の一方向の勾配である第１勾配（Ｉｕ）と、前記第１勾配の方向に対して直交する方向の輝度値の勾配である第２勾配（Ｉｖ）とを演算するフィルタ（３３）と、
   前記オプティカルフローの長さ（Ｌｆ）と、前記オプティカルフローの角度（θｆ）の変化である方向差分（Δθｆ）と、前記画像の解像度（σｉ）と、互いに対応する前記オプティカルフローが生成される毎に計上される回数であるトラッキング回数（Ｎｔ）と、前記第１勾配および前記第２勾配に基づく前記特徴点のコーナー度（Ｒｆ）と、前記生成部によって生成された前記オプティカルフローの長さ（Ｌｆ）から前記車両の移動距離に対応する前記オプティカルフローの長さを除去した長さであるエゴキャンセルフロー長（Ｌｃ）と、に基づいて、前記オプティカルフローを選定する選定部（Ｓ１４０）と、
   をさらに備え、
   前記分類部は、前記選定部によって選定された前記オプティカルフローをグループに分類する請求項１ないし６のいずれか１つに記載の障害物識別装置。
8. 前記フィルタは、Sobelフィルタを用いて、前記第１勾配と前記第２勾配とを演算する請求項７に記載の障害物識別装置。
9. 前記抽出部は、前記第１勾配の自乗と前記第２勾配の自乗との和の平方根（Ｍｃ）に基づいて、前記特徴点を抽出する請求項７または８に記載の障害物識別装置。
10. 前記分類部は、前記オプティカルフローの長さ（Ｌｆ）および前記オプティカルフローの角度（θｆ）に基づいて、前記オプティカルフローをグループに分類する請求項１ないし９のいずれか１つに記載の障害物識別装置。
11. 障害物識別装置を、
    車両（９０）に搭載されるカメラ（１１、１２、１３、１４）によって撮像された画像を取得する取得部（Ｓ１１０）、
    前記画像の特徴点を抽出する抽出部（Ｓ１２０）、
    現時点よりも前に前記取得部が取得した前記画像の前記特徴点から、現時点で前記取得部が取得した前記画像の前記特徴点への移動ベクトルであるオプティカルフロー（ＯＰ）を生成する生成部（Ｓ１３０）、
    前記特徴点の画素位置に基づいて、前記オプティカルフローをグループに分類する分類部（Ｓ１５０）、および、
    前記分類部によって分類されたグループ内における前記オプティカルフローの長さ（Ｌｆ）のバラつき度合に基づいて、前記画像に映る物体が、類似模様を有する静止物体、および、移動物体のいずれであるかを判定する識別部（Ｓ１６５、Ｓ１７０、Ｓ１８０、Ｓ１９０）として機能させる障害物識別プログラム。

Images