JP7479535B1 - 人物検知システムおよび人物検知方法 - Google Patents
人物検知システムおよび人物検知方法 Download PDFInfo
- Publication number
- JP7479535B1 JP7479535B1 JP2023055995A JP2023055995A JP7479535B1 JP 7479535 B1 JP7479535 B1 JP 7479535B1 JP 2023055995 A JP2023055995 A JP 2023055995A JP 2023055995 A JP2023055995 A JP 2023055995A JP 7479535 B1 JP7479535 B1 JP 7479535B1
- Authority
- JP
- Japan
- Prior art keywords
- image
- person
- human detection
- unit
- human
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000010191 image analysis Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims description 6
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 241000282412 Homo Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 108010082455 Sebelipase alfa Proteins 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229940041615 kanuma Drugs 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
【課題】監視領域において自動的に人物を検知することができる人物検知システムおよび人物検知方法を提供する。【解決手段】監視領域の画像を所定の時間間隔で取得する少なくともサーマルカメラを備えた監視カメラと、画像を処理する中央演算部と、画像を記憶する映像蓄積部とを含む映像解析サーバ２０と、を含む人物検知システムであって、中央演算部は、画像を処理するための、動体検出部と、ＡＩ判定部と、を含む。動体検出部は、フレーム差分法を用いて画像のうちの連続する３枚以上のフレームを切り出し、連続するフレーム２枚の差分の絶対値を計算し、次の２枚のフレームについても繰り返し、差分の論理積を計算することによって、３枚以上のフレームにわたって動き続けている物体を抽出する。ＡＩ判定部は、物体について人工知能を使用した画像解析処理を実行して、物体が人物であるかどうかを判定する。【選択図】図１
Description
本発明は、人物検知システムおよび人物検知方法に関し、特に、監視カメラによって取
得された画像を解析して監視領域内の人物を検知する人物検知システムおよび人物検知方
法に関する。
得された画像を解析して監視領域内の人物を検知する人物検知システムおよび人物検知方
法に関する。
監視カメラによって自動的に人物を検知する技術が必要とされている。工場などの民間
人の立ち入りが禁止されており、夜間には人の出入りが少なくなる場所では、夜間の不法
侵入や盗難被害が発生している。したがって、検知された人物が立ち入りを許可された者
であるかを監視カメラによって自動的に検知する技術が必要とされている。不法侵入によ
る盗難は夜間に行われることが多く、夜間の人の動きの監視が大きなテーマとなっている
。そして、夜間の監視には、サーマルカメラや赤外線ライトとカメラの組み合わせなどが
用いられる。
人の立ち入りが禁止されており、夜間には人の出入りが少なくなる場所では、夜間の不法
侵入や盗難被害が発生している。したがって、検知された人物が立ち入りを許可された者
であるかを監視カメラによって自動的に検知する技術が必要とされている。不法侵入によ
る盗難は夜間に行われることが多く、夜間の人の動きの監視が大きなテーマとなっている
。そして、夜間の監視には、サーマルカメラや赤外線ライトとカメラの組み合わせなどが
用いられる。
ここで、従来の人物検知システムや人物検知方法として、例えば、特許文献１及び特許
文献２が知られている。特許文献１および特許文献２の人物検知システムは、建設現場に
おける建設機械と人との接触による災害を防止する観点から、建設機械に取り付けられた
撮像装置によって取得した画像から人物を検知するものである。
文献２が知られている。特許文献１および特許文献２の人物検知システムは、建設現場に
おける建設機械と人との接触による災害を防止する観点から、建設機械に取り付けられた
撮像装置によって取得した画像から人物を検知するものである。
特許文献１の人物検知システムは、例えばホイールローダのような建設機械に取り付け
られた単眼の遠赤外線カメラによって取得した画像（熱画像）を俯瞰変換し、学習済みモ
デルを用いた画像処理によって、建設機械の周囲に存在する人物の接地位置を検出してい
る（例えば、特許文献１の段落［０００６］、［００１０］等を参照）。ここで、特許文
献１では、画像処理部の人物検知部は、遠赤外線カメラから送られた画像（熱画像）を使
用するものであるが、人に特有の温度分布を用いて建設機械の周辺に存在する人物を検知
している（例えば、特許文献１の段落［００２２］等を参照）。しかしながら、特許文献
１の人物検知システムでは、人物を検知することができるが、その人物が立ち入りを許可
された者であるかどうかを区別することはできない。
られた単眼の遠赤外線カメラによって取得した画像（熱画像）を俯瞰変換し、学習済みモ
デルを用いた画像処理によって、建設機械の周囲に存在する人物の接地位置を検出してい
る（例えば、特許文献１の段落［０００６］、［００１０］等を参照）。ここで、特許文
献１では、画像処理部の人物検知部は、遠赤外線カメラから送られた画像（熱画像）を使
用するものであるが、人に特有の温度分布を用いて建設機械の周辺に存在する人物を検知
している（例えば、特許文献１の段落［００２２］等を参照）。しかしながら、特許文献
１の人物検知システムでは、人物を検知することができるが、その人物が立ち入りを許可
された者であるかどうかを区別することはできない。
特許文献２は、建設機械に取り付けられた撮像装置によって取得した画像から、建設機
械の周囲に存在する人物を検知する建設機械用人物検知システムに関する。ここで、特許
文献２の撮像装置は、ＣＣＤ等の撮像素子を含む可視光カメラ（カラーカメラ）である（
例えば、特許文献２の段落［００１３］等を参照）。そのため、撮像装置として可視光カ
メラを採用した特許文献２の人物検知システムでは、例えば、夜間や悪天候の場合におい
て、人物を検出する機能（または精度）が著しく低下する。
械の周囲に存在する人物を検知する建設機械用人物検知システムに関する。ここで、特許
文献２の撮像装置は、ＣＣＤ等の撮像素子を含む可視光カメラ（カラーカメラ）である（
例えば、特許文献２の段落［００１３］等を参照）。そのため、撮像装置として可視光カ
メラを採用した特許文献２の人物検知システムでは、例えば、夜間や悪天候の場合におい
て、人物を検出する機能（または精度）が著しく低下する。
一般に、解析対象となる画像のサイズが大きくなると、データ処理に時間が必要となる
。特に、処理能力が比較的低いコンピュータを使用し、人物を検知するのに人工知能（Ａ
Ｉ）を使用した場合には、より多くの時間が必要となるため、人物をリアルタイムで検知
するのは難しい。
。特に、処理能力が比較的低いコンピュータを使用し、人物を検知するのに人工知能（Ａ
Ｉ）を使用した場合には、より多くの時間が必要となるため、人物をリアルタイムで検知
するのは難しい。
本発明は、自動的に人物を検知することができる人物検知システムおよび人物検知方法
を提供する。
を提供する。
具体的には、本発明によれば、
監視領域の画像を所定の時間間隔で取得する、少なくともサーマルカメラを備えた監視
カメラと、
前記サーマルカメラから受信した前記画像を処理する中央演算部と、前記サーマルカメ
ラから受信した前記画像を記憶する映像蓄積部とを含む映像解析装置であって、該中央演
算部は、前記画像を処理するための動体検出部とＡＩ判定部とを含むものである、映像解
析装置と
を含んでなる人物検知システムであって、
前記動体検出部は、フレーム差分法を用いて前記画像のうちの連続する３枚以上のフレ
ームを切り出し、連続するフレーム２枚の差分の絶対値を計算し、これを次の２枚のフレ
ームについても繰り返し、差分の論理積を計算することによって、前記３枚以上のフレー
ムにわたって動き続けている物体を抽出し、
前記ＡＩ判定部は、前記物体について人工知能（ＡＩ）を使用した画像解析処理を実行
して前記物体が人物であるかどうかを判定するものである、人物検知システムを提供する
。
監視領域の画像を所定の時間間隔で取得する、少なくともサーマルカメラを備えた監視
カメラと、
前記サーマルカメラから受信した前記画像を処理する中央演算部と、前記サーマルカメ
ラから受信した前記画像を記憶する映像蓄積部とを含む映像解析装置であって、該中央演
算部は、前記画像を処理するための動体検出部とＡＩ判定部とを含むものである、映像解
析装置と
を含んでなる人物検知システムであって、
前記動体検出部は、フレーム差分法を用いて前記画像のうちの連続する３枚以上のフレ
ームを切り出し、連続するフレーム２枚の差分の絶対値を計算し、これを次の２枚のフレ
ームについても繰り返し、差分の論理積を計算することによって、前記３枚以上のフレー
ムにわたって動き続けている物体を抽出し、
前記ＡＩ判定部は、前記物体について人工知能（ＡＩ）を使用した画像解析処理を実行
して前記物体が人物であるかどうかを判定するものである、人物検知システムを提供する
。
ここで、サーマルカメラは遠赤外線を検出することで対象物の温度を検知するものであ
る。サーマルカメラで撮影した映像はサーモグラフィと呼ばれ、通常、温度が高い部分は
赤く、低い部分は青く表示される。サーマルカメラは、周辺光が無くても物体が生じる遠
赤外光を捉えるのでサーモグラフィを得ることができる。このため、夜間の暗い場所でも
計測可能である。また、遠赤外線を用いるので、霧や煙などで視界が不良な場所でも撮影
できる。逆に、遠赤外線は周辺光の影響を受けないので昼間でも使用可能である。
前記ＡＩ判定部は、前記物体が人物であることを判定するアルゴリズムを有するプログ
ラムを含む態様であることが好ましい。また、前記ＡＩ判定部は、前記物体の高さと幅と
の比率に基づいて前記物体が人物であるかを判定する態様であることがより好ましい。
さらに、前記中央演算部は、前記人物であることを判定した前記画像において、前記人
物を取り囲む範囲を示すマークを前記画像に追加する処理を実行する、前記ＡＩ判定部に
接続されたマーキング部を更に含む態様であることが好ましい。
加えて、前記監視カメラは少なくとも１つの可視光カメラを更に備えることができる。
前記中央演算部は、前記サーマルカメラによって前記人物を検出した画像において前記人
物の座標および撮影された時刻に基づいて、不可視の近赤外線ライトを照射することによ
り可視光カメラの白黒モードによって得られる画像において前記人物を特定し、前記画像
の前記人物を取り囲む所定の範囲内における発光の有無を判定する態様であることが好ま
しい。ここで、許可された者は赤外線ライトを所持しているので、前記所定の範囲内にお
ける発光を検知した場合、前記人物が前記監視領域への立ち入りを許可された者であると
判定する態様がより好ましい。
また、上記の人物検知システムは、前記映像蓄積部に記憶された前記画像を表示する表
示装置を更に含む態様や、インターネットを介して前記映像解析装置を制御する少なくと
も１つの端末を更に含む態様が好ましい。
る。サーマルカメラで撮影した映像はサーモグラフィと呼ばれ、通常、温度が高い部分は
赤く、低い部分は青く表示される。サーマルカメラは、周辺光が無くても物体が生じる遠
赤外光を捉えるのでサーモグラフィを得ることができる。このため、夜間の暗い場所でも
計測可能である。また、遠赤外線を用いるので、霧や煙などで視界が不良な場所でも撮影
できる。逆に、遠赤外線は周辺光の影響を受けないので昼間でも使用可能である。
前記ＡＩ判定部は、前記物体が人物であることを判定するアルゴリズムを有するプログ
ラムを含む態様であることが好ましい。また、前記ＡＩ判定部は、前記物体の高さと幅と
の比率に基づいて前記物体が人物であるかを判定する態様であることがより好ましい。
さらに、前記中央演算部は、前記人物であることを判定した前記画像において、前記人
物を取り囲む範囲を示すマークを前記画像に追加する処理を実行する、前記ＡＩ判定部に
接続されたマーキング部を更に含む態様であることが好ましい。
加えて、前記監視カメラは少なくとも１つの可視光カメラを更に備えることができる。
前記中央演算部は、前記サーマルカメラによって前記人物を検出した画像において前記人
物の座標および撮影された時刻に基づいて、不可視の近赤外線ライトを照射することによ
り可視光カメラの白黒モードによって得られる画像において前記人物を特定し、前記画像
の前記人物を取り囲む所定の範囲内における発光の有無を判定する態様であることが好ま
しい。ここで、許可された者は赤外線ライトを所持しているので、前記所定の範囲内にお
ける発光を検知した場合、前記人物が前記監視領域への立ち入りを許可された者であると
判定する態様がより好ましい。
また、上記の人物検知システムは、前記映像蓄積部に記憶された前記画像を表示する表
示装置を更に含む態様や、インターネットを介して前記映像解析装置を制御する少なくと
も１つの端末を更に含む態様が好ましい。
また、本発明は、上記の人物検知システムを使用した人物検知方法も提供する。
具体的には、
監視領域の画像を所定の時間間隔で取得する、少なくともサーマルカメラを備えた監視
カメラと、
前記サーマルカメラから受信した前記画像を処理する中央演算部と、前記サーマルカメ
ラから受信した前記画像を記憶する映像蓄積部とを含む映像解析装置であって、該中央演
算部は、前記画像を処理するための動体検出部とＡＩ判定部とを含む、映像解析装置と
を含んでなる、人物検知システムにおける人物検知方法であって、
前記動体検出部は、フレーム差分法を用いて前記画像のうちの連続する３枚以上のフレ
ームを切り出し、連続するフレーム２枚の差分の絶対値を計算し、これを次の２枚のフレ
ームについても繰り返し、差分の論理積を計算することによって、前記３枚以上のフレー
ムにわたって動き続けている物体を抽出するステップと、
前記物体を含む複数の画像を学習データとして、前記物体が人物であるか否かを繰り返
し学習させた前記ＡＩ判定部は、前記物体について人工知能（ＡＩ）を使用した画像解析
処理を実行し、前記物体が人物であるか否かを判定するステップと
を含んでなる人物検知方法を提供する。
具体的には、
監視領域の画像を所定の時間間隔で取得する、少なくともサーマルカメラを備えた監視
カメラと、
前記サーマルカメラから受信した前記画像を処理する中央演算部と、前記サーマルカメ
ラから受信した前記画像を記憶する映像蓄積部とを含む映像解析装置であって、該中央演
算部は、前記画像を処理するための動体検出部とＡＩ判定部とを含む、映像解析装置と
を含んでなる、人物検知システムにおける人物検知方法であって、
前記動体検出部は、フレーム差分法を用いて前記画像のうちの連続する３枚以上のフレ
ームを切り出し、連続するフレーム２枚の差分の絶対値を計算し、これを次の２枚のフレ
ームについても繰り返し、差分の論理積を計算することによって、前記３枚以上のフレー
ムにわたって動き続けている物体を抽出するステップと、
前記物体を含む複数の画像を学習データとして、前記物体が人物であるか否かを繰り返
し学習させた前記ＡＩ判定部は、前記物体について人工知能（ＡＩ）を使用した画像解析
処理を実行し、前記物体が人物であるか否かを判定するステップと
を含んでなる人物検知方法を提供する。
ここで、前記ＡＩ判定部は、前記物体が人物であることを判定するアルゴリズムを有す
るプログラムを含む態様であることが好ましい。また、前記ＡＩ判定部は、前記物体の高
さと幅との比率に基づいて前記物体が人物であるかを判定する態様であることが好ましい
。
さらに、前記中央演算部は、前記人物であることを判定した前記画像において、前記人
物を取り囲む範囲を示すマークを前記画像に追加する処理を、前記ＡＩ判定部に接続され
たマーキング部に実行させるステップを更に含む態様であることが好ましい。
加えて、前記監視カメラは少なくとも１つの可視光カメラを更に備え、前記中央演算部
は、前記サーマルカメラによって前記人物を検出した画像において前記人物の座標および
撮影された時刻に基づいて、前記可視光カメラの白黒モードによって得られる画像におい
て前記人物を特定し、前記画像の前記人物を取り囲む所定の範囲内における発光の有無を
判定する態様であることが好ましい。ここで、前記所定の範囲内における発光を検知した
場合、前記人物が前記監視領域への立ち入りを許可された者であると判定する態様がより
好ましい。
また、前記映像蓄積部に記憶された前記画像を表示装置に表示させるステップを更に含
む態様や、少なくとも１つの端末が、インターネットを介して前記映像解析装置を制御す
るステップを更に含む態様が好ましい。
るプログラムを含む態様であることが好ましい。また、前記ＡＩ判定部は、前記物体の高
さと幅との比率に基づいて前記物体が人物であるかを判定する態様であることが好ましい
。
さらに、前記中央演算部は、前記人物であることを判定した前記画像において、前記人
物を取り囲む範囲を示すマークを前記画像に追加する処理を、前記ＡＩ判定部に接続され
たマーキング部に実行させるステップを更に含む態様であることが好ましい。
加えて、前記監視カメラは少なくとも１つの可視光カメラを更に備え、前記中央演算部
は、前記サーマルカメラによって前記人物を検出した画像において前記人物の座標および
撮影された時刻に基づいて、前記可視光カメラの白黒モードによって得られる画像におい
て前記人物を特定し、前記画像の前記人物を取り囲む所定の範囲内における発光の有無を
判定する態様であることが好ましい。ここで、前記所定の範囲内における発光を検知した
場合、前記人物が前記監視領域への立ち入りを許可された者であると判定する態様がより
好ましい。
また、前記映像蓄積部に記憶された前記画像を表示装置に表示させるステップを更に含
む態様や、少なくとも１つの端末が、インターネットを介して前記映像解析装置を制御す
るステップを更に含む態様が好ましい。
さらに、本発明は、前記映像蓄積部に記憶することができ、前記中央演算部に対して、
上記のいずれかに記載した人物検知方法を実行させる、コンピュータに読み取り可能なプ
ログラムも提供する。
上記のいずれかに記載した人物検知方法を実行させる、コンピュータに読み取り可能なプ
ログラムも提供する。
本発明の人物検知システムおよび人物検知方法によれば、監視領域の撮影時の環境によ
る影響を低減して、監視領域において人物を自動的に検知することができる。
また、本発明の人物検知システムおよび人物検知方法によれば、機械学習アルゴリズム
として知られている通常のＣＮＮ（畳み込みニューラルネットワーク。Convolutional Ne
ural Network）モデル構造よりも簡易な構造を採用しているので、人物を検知する際の画
像解析をより高速で実行することができる。
さらに、本発明の人物検知システムおよび人物検知方法によれば、監視領域において検
知した人物が立ち入りを許可された者であるかどうかを判定することができる。
る影響を低減して、監視領域において人物を自動的に検知することができる。
また、本発明の人物検知システムおよび人物検知方法によれば、機械学習アルゴリズム
として知られている通常のＣＮＮ（畳み込みニューラルネットワーク。Convolutional Ne
ural Network）モデル構造よりも簡易な構造を採用しているので、人物を検知する際の画
像解析をより高速で実行することができる。
さらに、本発明の人物検知システムおよび人物検知方法によれば、監視領域において検
知した人物が立ち入りを許可された者であるかどうかを判定することができる。
図１を参照して、本発明の一実施態様である人物検知システム１を説明する。ここで、
人物検知システム１は、例えば、工場内への不法侵入を監視する場合には、侵入者が入っ
てくる場所や盗難される恐れのある物を撮影することができる場所に設置され得る。人物
検知システム１は、監視領域の画像を取得している少なくとも１つのサーマルカメラを含
む監視カメラ１０と、監視カメラ１０が撮影した画像を受信して記憶する映像解析装置（
または映像解析サーバ）２０と、映像解析装置２０で解析された結果を表示する表示装置
３０とを含む。なお、サーマルカメラは、物体から放出される遠赤外線（波長が３～１０
００マイクロメートル）を検知するものである。ここで、映像解析装置２０は、監視カメ
ラ１０からの画像や解析用プログラムや解析用及び結果の各種データを記憶する映像蓄積
部２０１と、映像蓄積部２０１と通信して画像解析処理などの演算を行う中央演算部（Ｃ
ＰＵおよびＧＰＵ）２０２とを含む。そして、中央演算部２０２は、動体検出部２０２ａ
とＡＩ判定部２０２ｂとマーキング部２０２ｃとを含む。動体検出部２０２ａとＡＩ判定
部２０２ｂとマーキング部２０２ｃとは、監視カメラ１０が撮影した画像を中央演算部２
０２と協働して解析するプログラムである。そして、解析された画像は、映像解析装置２
０に接続された表示装置３０に表示される。ここで、監視カメラ１０と映像解析装置２０
との間は、例えば、通信ケーブルによって有線で接続されているか、無線で接続されてい
るか、あるいは有線と無線との両方で接続されていてもよい。ここで、監視カメラ１０と
映像解析装置２０との間は、例えば、インターネット回線を介して接続されていてもよい
。同様に、映像解析装置２０と表示装置３０との間は、例えば、通信ケーブルによって有
線で接続されているか、無線で接続されているか、あるいは有線と無線との両方で接続さ
れていてもよい。ここで、映像解析装置２０と表示装置３０との間は、例えば、インター
ネット回線を介して接続されていてもよい。このようにして、人物検知システム１は、少
なくとも１台のサーマルカメラを含む監視カメラ１０を１台の映像解析装置２０に接続し
たシンプルな構成を採用している。
人物検知システム１は、例えば、工場内への不法侵入を監視する場合には、侵入者が入っ
てくる場所や盗難される恐れのある物を撮影することができる場所に設置され得る。人物
検知システム１は、監視領域の画像を取得している少なくとも１つのサーマルカメラを含
む監視カメラ１０と、監視カメラ１０が撮影した画像を受信して記憶する映像解析装置（
または映像解析サーバ）２０と、映像解析装置２０で解析された結果を表示する表示装置
３０とを含む。なお、サーマルカメラは、物体から放出される遠赤外線（波長が３～１０
００マイクロメートル）を検知するものである。ここで、映像解析装置２０は、監視カメ
ラ１０からの画像や解析用プログラムや解析用及び結果の各種データを記憶する映像蓄積
部２０１と、映像蓄積部２０１と通信して画像解析処理などの演算を行う中央演算部（Ｃ
ＰＵおよびＧＰＵ）２０２とを含む。そして、中央演算部２０２は、動体検出部２０２ａ
とＡＩ判定部２０２ｂとマーキング部２０２ｃとを含む。動体検出部２０２ａとＡＩ判定
部２０２ｂとマーキング部２０２ｃとは、監視カメラ１０が撮影した画像を中央演算部２
０２と協働して解析するプログラムである。そして、解析された画像は、映像解析装置２
０に接続された表示装置３０に表示される。ここで、監視カメラ１０と映像解析装置２０
との間は、例えば、通信ケーブルによって有線で接続されているか、無線で接続されてい
るか、あるいは有線と無線との両方で接続されていてもよい。ここで、監視カメラ１０と
映像解析装置２０との間は、例えば、インターネット回線を介して接続されていてもよい
。同様に、映像解析装置２０と表示装置３０との間は、例えば、通信ケーブルによって有
線で接続されているか、無線で接続されているか、あるいは有線と無線との両方で接続さ
れていてもよい。ここで、映像解析装置２０と表示装置３０との間は、例えば、インター
ネット回線を介して接続されていてもよい。このようにして、人物検知システム１は、少
なくとも１台のサーマルカメラを含む監視カメラ１０を１台の映像解析装置２０に接続し
たシンプルな構成を採用している。
図２は、一般的な各波長範囲と、その各波長範囲の用途とをそれぞれ示している。特に
、図２に示す赤外線（波長０．７８～１０００マイクロメートル）の領域において、非冷
却サーマルカメラは、８～１４マイクロメートルの波長の遠赤外線を検知し、冷却サーマ
ルカメラは３～５マイクロメートルの波長の中赤外線を検知するのが一般的である。例え
ば、監視カメラ１０としてサーマルカメラを使用することによって、昼間のみならず夜間
においても、監視領域である漁場周辺の画像を良好なコントラストで取得することができ
る。
、図２に示す赤外線（波長０．７８～１０００マイクロメートル）の領域において、非冷
却サーマルカメラは、８～１４マイクロメートルの波長の遠赤外線を検知し、冷却サーマ
ルカメラは３～５マイクロメートルの波長の中赤外線を検知するのが一般的である。例え
ば、監視カメラ１０としてサーマルカメラを使用することによって、昼間のみならず夜間
においても、監視領域である漁場周辺の画像を良好なコントラストで取得することができ
る。
なお、一般に、サーマルカメラは、熱を検知し、温度を可視化する。サーマルカメラで
撮影した映像はサーモグラフィ（熱画像）と呼ばれ、通常、高温部分は赤く、低温部分は
青く表示される（なお、本願で使用するサーマルカメラでは、高温部分は白く、低温部分
は黒く表示される）。サーマルカメラは、物体の温度を非接触計測するため、遠赤外線を
検出するセンサーが搭載されている。この遠赤外線の強弱を検出して温度を計測し、計測
した温度に応じて画像処理で色付けすることで、視覚的に温度分布が把握しやすいサーモ
グラフィを表示する。一方、赤外線カメラは、暗闇の中で映像を撮影することを目的とす
る。通常、赤外線カメラには、光源としての役割を果たす近赤外線ＬＥＤが搭載されてお
り、被写体に照射して反射した赤外線をとらえる。したがって、サーマルカメラと赤外線
カメラは、同じ赤外線を使ってはいるが、全く異なる光の帯域を用い、異なる構成と機能
を有する点に注意する必要がある。
撮影した映像はサーモグラフィ（熱画像）と呼ばれ、通常、高温部分は赤く、低温部分は
青く表示される（なお、本願で使用するサーマルカメラでは、高温部分は白く、低温部分
は黒く表示される）。サーマルカメラは、物体の温度を非接触計測するため、遠赤外線を
検出するセンサーが搭載されている。この遠赤外線の強弱を検出して温度を計測し、計測
した温度に応じて画像処理で色付けすることで、視覚的に温度分布が把握しやすいサーモ
グラフィを表示する。一方、赤外線カメラは、暗闇の中で映像を撮影することを目的とす
る。通常、赤外線カメラには、光源としての役割を果たす近赤外線ＬＥＤが搭載されてお
り、被写体に照射して反射した赤外線をとらえる。したがって、サーマルカメラと赤外線
カメラは、同じ赤外線を使ってはいるが、全く異なる光の帯域を用い、異なる構成と機能
を有する点に注意する必要がある。
図３Ａは、ある監視領域を夜間に撮影した場合に、可視光カメラによって取得されたカ
ラー画像を示す。また、図３Ｂは、図３Ａと同じ監視領域を同じ夜間に撮影した場合に、
サーマルカメラによって取得されたサーマル画像を示す。図３Ａ及び図３Ｂを比較すると
、図３Ｂの方がより鮮明な画像が得られることがわかる。これは、サーマルカメラが監視
領域に存在する物体から放出される遠赤外線（波長が３～１０００マイクロメートル）を
受信するものであり、可視光カメラと比べて、監視領域における可視光の明るさや暗さに
よる影響を受けにくいことによる。また、不法侵入による盗難は、一般的に、日中よりも
人目に付きにくい夜間に行われることが多い。そのため、可視光カメラと比較すると、サ
ーマルカメラは、特に夜間に鮮明な画像を得ることができる点で有利である。
なお、図１に示す人物検知システム１では、監視カメラ１０として、例えば非冷却サー
マルカメラを使用した場合について説明している。しかしながら、これに限らず、例えば
、監視カメラ１０として冷却サーマルカメラを使用することもできる。
ラー画像を示す。また、図３Ｂは、図３Ａと同じ監視領域を同じ夜間に撮影した場合に、
サーマルカメラによって取得されたサーマル画像を示す。図３Ａ及び図３Ｂを比較すると
、図３Ｂの方がより鮮明な画像が得られることがわかる。これは、サーマルカメラが監視
領域に存在する物体から放出される遠赤外線（波長が３～１０００マイクロメートル）を
受信するものであり、可視光カメラと比べて、監視領域における可視光の明るさや暗さに
よる影響を受けにくいことによる。また、不法侵入による盗難は、一般的に、日中よりも
人目に付きにくい夜間に行われることが多い。そのため、可視光カメラと比較すると、サ
ーマルカメラは、特に夜間に鮮明な画像を得ることができる点で有利である。
なお、図１に示す人物検知システム１では、監視カメラ１０として、例えば非冷却サー
マルカメラを使用した場合について説明している。しかしながら、これに限らず、例えば
、監視カメラ１０として冷却サーマルカメラを使用することもできる。
次に図４のフローチャートを参照して、人物検知システム１の映像解析装置２０で実行
される各処理について説明する。
ステップＳ１では、監視カメラ１０によって取得した監視領域の画像フレームを映像解
析装置２０の映像蓄積部（ハードディスク）２０１に記憶する。ここで、中央演算部２０
２は、監視カメラ１０によって連続して撮影された、一連の画像などの映像（動画データ
）を映像蓄積部２０１に記憶させておくこともできる。
ステップＳ２では、動体検出部２０２ａが、映像中にある物体が動体であるか否かを判
定する処理を実行する。ここで、映像中の物体が動体であると動体検出部２０２ａが判定
した場合にはステップＳ３に進む。一方、映像中の物体が動体ではないと動体検出部２０
２ａが判定した場合（つまり、静止体のみを含む場合）にはステップＳ４に進む。そして
、ステップＳ４では、検知することなく通常のフローに戻り（つまり、ステップＳ１に戻
り）、その映像についての処理を終了する。なお、ステップＳ２での処理は、後述する図
６のMOGBacksubFilter６０とErodeFilter６１とDilateFilter６２と、これに後続する図
７のPositionFilter７０とMotionObjectTracker７１とCandidateFilter７２とMaskValida
tor７３とにおける処理に対応する。
ステップＳ３では、ＡＩ判定部２０２ｂが、映像中の動体について、所定のモデル構造
に従ってＡＩを用いた画像解析処理を実行する（なお、所定のモデル構造については後述
する図１１を参照）。ここで、映像中の動体が人物であるとＡＩ判定部２０２ｂが判定し
た場合にはステップＳ５に進む。そして、ＡＩ判定部２０２ｂは、映像中の動体が人物で
あると判断した部分にマークを付ける処理（例えば四角枠で囲むなどのマーキング処理）
を実行する。一方、映像中の動体が人物以外であるとＡＩ判定部２０２ｂが判定した場合
にはステップＳ４に進む。そして、ステップＳ４では、検知することなく通常のフローに
戻り（つまり、ステップＳ１に戻り）、その映像についての処理を終了する。なお、ステ
ップＳ３での処理は、後述する図７のDnnFilter７４での処理に対応する。
される各処理について説明する。
ステップＳ１では、監視カメラ１０によって取得した監視領域の画像フレームを映像解
析装置２０の映像蓄積部（ハードディスク）２０１に記憶する。ここで、中央演算部２０
２は、監視カメラ１０によって連続して撮影された、一連の画像などの映像（動画データ
）を映像蓄積部２０１に記憶させておくこともできる。
ステップＳ２では、動体検出部２０２ａが、映像中にある物体が動体であるか否かを判
定する処理を実行する。ここで、映像中の物体が動体であると動体検出部２０２ａが判定
した場合にはステップＳ３に進む。一方、映像中の物体が動体ではないと動体検出部２０
２ａが判定した場合（つまり、静止体のみを含む場合）にはステップＳ４に進む。そして
、ステップＳ４では、検知することなく通常のフローに戻り（つまり、ステップＳ１に戻
り）、その映像についての処理を終了する。なお、ステップＳ２での処理は、後述する図
６のMOGBacksubFilter６０とErodeFilter６１とDilateFilter６２と、これに後続する図
７のPositionFilter７０とMotionObjectTracker７１とCandidateFilter７２とMaskValida
tor７３とにおける処理に対応する。
ステップＳ３では、ＡＩ判定部２０２ｂが、映像中の動体について、所定のモデル構造
に従ってＡＩを用いた画像解析処理を実行する（なお、所定のモデル構造については後述
する図１１を参照）。ここで、映像中の動体が人物であるとＡＩ判定部２０２ｂが判定し
た場合にはステップＳ５に進む。そして、ＡＩ判定部２０２ｂは、映像中の動体が人物で
あると判断した部分にマークを付ける処理（例えば四角枠で囲むなどのマーキング処理）
を実行する。一方、映像中の動体が人物以外であるとＡＩ判定部２０２ｂが判定した場合
にはステップＳ４に進む。そして、ステップＳ４では、検知することなく通常のフローに
戻り（つまり、ステップＳ１に戻り）、その映像についての処理を終了する。なお、ステ
ップＳ３での処理は、後述する図７のDnnFilter７４での処理に対応する。
図５を参照して、動体検出部２０２ａが動体を検出する処理について説明する。ここで
、動体検出部２０２ａは、フレーム差分法を使用して動体を検出する。これは一般公開さ
れているＯｐｅｎＣＶと呼ばれる画像処理ソフトウェアを利用して実行することができる
。まず、動体検出部２０２ａは、監視カメラ１０によって取得した画像のうち連続する３
枚のフレームＩ１、Ｉ２およびＩ３を切り出す。次に、この連続した３枚のフレーム（画
像）をグレースケールに変更する。そして、動体検出部２０２ａは、連続するフレームＩ
１とＩ２との間の差分画像Ｉ１’と、連続するフレームＩ２とＩ３との間の差分画像Ｉ２
’との絶対値を計算する。そして、動体検出部２０２ａは、差分画像Ｉ１’と差分画像Ｉ
２’との２つの論理積を計算して、動き続けている物体の画像Ｉ１’’を得る。このよう
な処理によって、動体検出部２０２ａは、３枚のフレームにわたって動き続けている物体
の画像を抽出することができる。なお、動体検出部２０２ａでの上記処理は、図６の「MO
GBacksubFilter６０」での処理に該当する。
、動体検出部２０２ａは、フレーム差分法を使用して動体を検出する。これは一般公開さ
れているＯｐｅｎＣＶと呼ばれる画像処理ソフトウェアを利用して実行することができる
。まず、動体検出部２０２ａは、監視カメラ１０によって取得した画像のうち連続する３
枚のフレームＩ１、Ｉ２およびＩ３を切り出す。次に、この連続した３枚のフレーム（画
像）をグレースケールに変更する。そして、動体検出部２０２ａは、連続するフレームＩ
１とＩ２との間の差分画像Ｉ１’と、連続するフレームＩ２とＩ３との間の差分画像Ｉ２
’との絶対値を計算する。そして、動体検出部２０２ａは、差分画像Ｉ１’と差分画像Ｉ
２’との２つの論理積を計算して、動き続けている物体の画像Ｉ１’’を得る。このよう
な処理によって、動体検出部２０２ａは、３枚のフレームにわたって動き続けている物体
の画像を抽出することができる。なお、動体検出部２０２ａでの上記処理は、図６の「MO
GBacksubFilter６０」での処理に該当する。
図６は、人物検知システム１の動体検出部２０２ａにおいて実行される第１のフィルタ
処理を示すフローチャートである。なお、以下で用いる関数MOGBacksubFilterやPosition
Filterなどは、ＯｐｅｎＣＶの例えばバージョン４．６．０において利用することができ
るものである。まず、この第１のフィルタ処理は、MOGBacksubFilter６０とErodeFilter
６１とDilateFilter６２とを含む。ここで、MOGBacksubFilter６０では、背景差分法によ
る検出を行う。ErodeFilter６１では、ピクセルが集まっていないノイズを除去する。Dil
ateFilter６２では、ピクセルの集まりを膨らませて抽出する。
処理を示すフローチャートである。なお、以下で用いる関数MOGBacksubFilterやPosition
Filterなどは、ＯｐｅｎＣＶの例えばバージョン４．６．０において利用することができ
るものである。まず、この第１のフィルタ処理は、MOGBacksubFilter６０とErodeFilter
６１とDilateFilter６２とを含む。ここで、MOGBacksubFilter６０では、背景差分法によ
る検出を行う。ErodeFilter６１では、ピクセルが集まっていないノイズを除去する。Dil
ateFilter６２では、ピクセルの集まりを膨らませて抽出する。
次に、図７は、人物検知システム１の動体検出部２０２ａ及びＡＩ判定部２０２ｂにお
いて実行される第２のフィルタ処理を示すフローチャートである。この第２のフィルタ処
理は、PositionFilter７０とMotionObjectTracker７１とCandidateFilter７２とMaskVali
dator７３とDnnFilter７４とを含む。ここで、PositionFilter７０では、サイズが小さす
ぎるものや大きすぎるものを除去し、サイズが横長のものを削除する。MotionObjectTrac
ker７１では、前後のフレームで同じ動体にＩＤを割り当てる。CandidateFilter７２では
、前フレームで無効としたものや、サイズ変化が大きいものを除去する。MaskValidator
７３では、映像上でマスキングしたエリアの内部または外部のいずれかにあることについ
ての正誤を判定する。そして、DnnFilter７４では、畳み込みニューラルネットワーク（
ＣＮＮ：Convolutional Neural Network）を用いたＡＩによる正誤を判定する。
ここで、動体検出部２０２ａは、MOGBacksubFilter６０とErodeFilter６１とDilateFil
ter６２と、PositionFilter７０とMotionObjectTracker７１とCandidateFilter７２とMas
kValidator７３との処理を実行する。そして、ＡＩ判定部２０２ｂは、DnnFilter７４の
処理を実行する。
いて実行される第２のフィルタ処理を示すフローチャートである。この第２のフィルタ処
理は、PositionFilter７０とMotionObjectTracker７１とCandidateFilter７２とMaskVali
dator７３とDnnFilter７４とを含む。ここで、PositionFilter７０では、サイズが小さす
ぎるものや大きすぎるものを除去し、サイズが横長のものを削除する。MotionObjectTrac
ker７１では、前後のフレームで同じ動体にＩＤを割り当てる。CandidateFilter７２では
、前フレームで無効としたものや、サイズ変化が大きいものを除去する。MaskValidator
７３では、映像上でマスキングしたエリアの内部または外部のいずれかにあることについ
ての正誤を判定する。そして、DnnFilter７４では、畳み込みニューラルネットワーク（
ＣＮＮ：Convolutional Neural Network）を用いたＡＩによる正誤を判定する。
ここで、動体検出部２０２ａは、MOGBacksubFilter６０とErodeFilter６１とDilateFil
ter６２と、PositionFilter７０とMotionObjectTracker７１とCandidateFilter７２とMas
kValidator７３との処理を実行する。そして、ＡＩ判定部２０２ｂは、DnnFilter７４の
処理を実行する。
図８は、動体検出部２０２ａにおいて実行されるPositionFilter７０での処理を示す概
略図である。ここで、PositionFilter７０での処理では、動体検知した各画像中の対象物
の高さ（Ｈ）と幅（Ｗ）との比率（Ｈ／Ｗ）を求める。ここで、PositionFilter７０での
処理では、（例えば、鳥や昆虫などの小さい対象物や、監視領域外の遠方で動いている対
象物を検知しないようにするために）高さ（Ｈ）が１ピクセル以下の対象物を当該フィル
タ処理から除外するように予め設定しておくことができる。そして、PositionFilter７０
での処理では、Ｈ／Ｗ＞１．１の場合（つまり、各画像中の対象物が縦長である場合）、
その物体を人物の候補とする。その一方で、PositionFilter７０での処理では、Ｈ／Ｗ＜
１５の場合（つまり、各画像中の対象物がかなり横長である場合）、その物体を人物の候
補から除外する。
略図である。ここで、PositionFilter７０での処理では、動体検知した各画像中の対象物
の高さ（Ｈ）と幅（Ｗ）との比率（Ｈ／Ｗ）を求める。ここで、PositionFilter７０での
処理では、（例えば、鳥や昆虫などの小さい対象物や、監視領域外の遠方で動いている対
象物を検知しないようにするために）高さ（Ｈ）が１ピクセル以下の対象物を当該フィル
タ処理から除外するように予め設定しておくことができる。そして、PositionFilter７０
での処理では、Ｈ／Ｗ＞１．１の場合（つまり、各画像中の対象物が縦長である場合）、
その物体を人物の候補とする。その一方で、PositionFilter７０での処理では、Ｈ／Ｗ＜
１５の場合（つまり、各画像中の対象物がかなり横長である場合）、その物体を人物の候
補から除外する。
次に、図９Ａおよび図９Ｂを参照して、動体検出部２０２ａにおいて実行されるPositi
onFilter７０での処理を説明する。図９Ａでは、動体検出部２０２ａは、PositionFilter
７０での処理によって、対象物についての高さ（ＨＡ）と、幅（ＷＡ）と、高さと幅との
比率（ＨＡ／ＷＡ）とを求める。図９Ａの対象物の場合には、高さと幅との比率（ＨＡ／
ＷＡ）が１より小さい（ＨＡ／ＷＡ＜１）。そのため、後続するＡＩ判定部２０２ｂにお
いて実行されるDnnFilter７４での処理において、かかる対象物は人物以外（自動車）で
あると判断される。
一方、図９Ｂでは、動体検出部２０２ａは、PositionFilter７０での処理によって、図
９Ａとは異なる対象物についての高さ（ＨＢ）と、幅（ＷＢ）と、高さと幅との比率（Ｈ
Ｂ／ＷＢ）とを求める。図９Ｂの対象物の場合には、高さと幅との比率（ＨＢ／ＷＢ）が
１．１より大きい（ＨＢ／ＷＢ＞１．１）。そのため、後続するＡＩ判定部２０２ｂにお
いて実行されるDnnFilter７４での処理において、かかる対象物は人物の可能性が高いと
判断される。
onFilter７０での処理を説明する。図９Ａでは、動体検出部２０２ａは、PositionFilter
７０での処理によって、対象物についての高さ（ＨＡ）と、幅（ＷＡ）と、高さと幅との
比率（ＨＡ／ＷＡ）とを求める。図９Ａの対象物の場合には、高さと幅との比率（ＨＡ／
ＷＡ）が１より小さい（ＨＡ／ＷＡ＜１）。そのため、後続するＡＩ判定部２０２ｂにお
いて実行されるDnnFilter７４での処理において、かかる対象物は人物以外（自動車）で
あると判断される。
一方、図９Ｂでは、動体検出部２０２ａは、PositionFilter７０での処理によって、図
９Ａとは異なる対象物についての高さ（ＨＢ）と、幅（ＷＢ）と、高さと幅との比率（Ｈ
Ｂ／ＷＢ）とを求める。図９Ｂの対象物の場合には、高さと幅との比率（ＨＢ／ＷＢ）が
１．１より大きい（ＨＢ／ＷＢ＞１．１）。そのため、後続するＡＩ判定部２０２ｂにお
いて実行されるDnnFilter７４での処理において、かかる対象物は人物の可能性が高いと
判断される。
図１０は、図７の第２のフィルタ処理のうち、PositionFilter７０とDnnFilter７４と
におけるフィルタ処理中の画像を示している。ここで、図１０に示されるPositionFilter
７０では、動体検出部２０２ａは、１ピクセル以下の動体や所定の大きさ以上の動体を除
外し、高さと幅との比率（Ｈ／Ｗ）が１．１よりも小さい動体を除外している。また、図
１０に示されるDnnFilter７４では、ＡＩ判定部２０２ｂは、既に収集済みの人物画像を
、後述する図１１のアルゴリズムで判定させたＡＩモデルを用いて、画像内の動体の高さ
と幅との比率（Ｈ／Ｗ）が１．１よりも大きいことを判定して、人物であるか否かについ
て判定している。
におけるフィルタ処理中の画像を示している。ここで、図１０に示されるPositionFilter
７０では、動体検出部２０２ａは、１ピクセル以下の動体や所定の大きさ以上の動体を除
外し、高さと幅との比率（Ｈ／Ｗ）が１．１よりも小さい動体を除外している。また、図
１０に示されるDnnFilter７４では、ＡＩ判定部２０２ｂは、既に収集済みの人物画像を
、後述する図１１のアルゴリズムで判定させたＡＩモデルを用いて、画像内の動体の高さ
と幅との比率（Ｈ／Ｗ）が１．１よりも大きいことを判定して、人物であるか否かについ
て判定している。
なお、図１１は、人物検知システム１のＡＩ判定部２０２ｂで実行されるDnnFilter７
４での処理において動体が人物であるかどうかを判定するために使用することができる、
機械学習アルゴリズムのモデル構造を示す。このモデル構造は、６つの畳み込み層と３つ
の全結合層とを含む。ここで、畳み込み層は、画像上に小領域を設け、１つの特徴量とし
て圧縮（畳み込み）する工程を、画像上をスライドしながら繰り返してできた層である。
畳み込み層によって、点ではなく領域ごとに特徴抽出をすることができる。全結合層は、
畳み込み演算によって抽出した特徴量を受け取り、特徴量で分類を行うために利用される
層である。
ここで、図１１のモデル構造は、動体検知部２０２ａにて動体と判定されたサーマル画
像内の一部分を使用しているため、図１７に示される画像全体を使用している一般的なＣ
ＮＮモデル構造よりもシンプルな構成となっている。そのため、人物検知システム１のＡ
Ｉ判定部２０２ｂは、図１１のモデル構造を使用して画像処理をより高速で実行すること
ができる（また、図１２および図１３で後述するように、人物検知システム１のＡＩ判定
部２０２ｂは、高精度で人物を検知することができる）。このサーマル画像のサイズに応
じて畳み込み層の構成が変化する。
次に、ＡＩ判定部２０２ｂでの判定に使用される図１１のモデル構造に対し、人物の画
像を事前に学習させる手順を簡単に説明する。まず、複数の場所で撮影を行い、人物を含
む画像を１５０００枚収集する。次に、人物を含む画像から動画切り出しツールを用いて
ＡＩ判定画像を作成することができる。ここで、例えばノイズの追加や画像の反転などの
処理を行うことにより、ＡＩ判定画像の数を１５０００枚から２００００枚に増やすこと
ができる。そして、このようにして得られた２００００枚のＡＩ判定画像を用いて、ＡＩ
判定部２０２ｂでの判定に使用される図１１のモデル構造の学習を事前に行うことができ
る。なお、例えば２００００枚以上のＡＩ判定画像を用いて、図１１のモデル構造の学習
を行うこともできる。
４での処理において動体が人物であるかどうかを判定するために使用することができる、
機械学習アルゴリズムのモデル構造を示す。このモデル構造は、６つの畳み込み層と３つ
の全結合層とを含む。ここで、畳み込み層は、画像上に小領域を設け、１つの特徴量とし
て圧縮（畳み込み）する工程を、画像上をスライドしながら繰り返してできた層である。
畳み込み層によって、点ではなく領域ごとに特徴抽出をすることができる。全結合層は、
畳み込み演算によって抽出した特徴量を受け取り、特徴量で分類を行うために利用される
層である。
ここで、図１１のモデル構造は、動体検知部２０２ａにて動体と判定されたサーマル画
像内の一部分を使用しているため、図１７に示される画像全体を使用している一般的なＣ
ＮＮモデル構造よりもシンプルな構成となっている。そのため、人物検知システム１のＡ
Ｉ判定部２０２ｂは、図１１のモデル構造を使用して画像処理をより高速で実行すること
ができる（また、図１２および図１３で後述するように、人物検知システム１のＡＩ判定
部２０２ｂは、高精度で人物を検知することができる）。このサーマル画像のサイズに応
じて畳み込み層の構成が変化する。
次に、ＡＩ判定部２０２ｂでの判定に使用される図１１のモデル構造に対し、人物の画
像を事前に学習させる手順を簡単に説明する。まず、複数の場所で撮影を行い、人物を含
む画像を１５０００枚収集する。次に、人物を含む画像から動画切り出しツールを用いて
ＡＩ判定画像を作成することができる。ここで、例えばノイズの追加や画像の反転などの
処理を行うことにより、ＡＩ判定画像の数を１５０００枚から２００００枚に増やすこと
ができる。そして、このようにして得られた２００００枚のＡＩ判定画像を用いて、ＡＩ
判定部２０２ｂでの判定に使用される図１１のモデル構造の学習を事前に行うことができ
る。なお、例えば２００００枚以上のＡＩ判定画像を用いて、図１１のモデル構造の学習
を行うこともできる。
一方、図１７は、従来、主に画像認識において活用されるニューラルネットワークの１
つであるＣＮＮモデルの構造を示す。ここで、ニューラルネットワークとは、脳の神経回
路を模した数理モデルであり、ある入力に対する出力を返すものである。そのようなＣＮ
Ｎモデルは、一般に、畳み込み層とプーリング層と全結合層とを含む。ここで、畳み込み
層は、画像上に小領域を設け、１つの特徴量として圧縮（畳み込み）する工程を、画像上
をスライドしながら繰り返してできた層である。畳み込み層によって、点ではなく領域ご
とに特徴抽出をすることができる。プーリング層は、畳み込み層に小領域を設け、その枠
内のデータに演算を行うことによりできた層である。特に、プーリング層は、画像のカテ
ゴリを分けるタスクにおいて、特徴を抽出した畳み込み層の位置ずれを吸収することが可
能となる。全結合層は、畳み込み演算やプーリング演算によって抽出した特徴量を受け取
り、特徴量で分類を行うために利用される層である。そして、全結合層の最後にＳｏｆｔ
ｍａｘ層を追加することによって、クラスごとの出力値の合計を１にすることができるた
め、出力結果を確率とすることができる。
なお、図１７に示す従来のＣＮＮモデルの詳細については、例えば、以下のＵＲＬ ht
tps://newtechnologylifestyle.net/vgg16originalpicture/を参照されたい。
つであるＣＮＮモデルの構造を示す。ここで、ニューラルネットワークとは、脳の神経回
路を模した数理モデルであり、ある入力に対する出力を返すものである。そのようなＣＮ
Ｎモデルは、一般に、畳み込み層とプーリング層と全結合層とを含む。ここで、畳み込み
層は、画像上に小領域を設け、１つの特徴量として圧縮（畳み込み）する工程を、画像上
をスライドしながら繰り返してできた層である。畳み込み層によって、点ではなく領域ご
とに特徴抽出をすることができる。プーリング層は、畳み込み層に小領域を設け、その枠
内のデータに演算を行うことによりできた層である。特に、プーリング層は、画像のカテ
ゴリを分けるタスクにおいて、特徴を抽出した畳み込み層の位置ずれを吸収することが可
能となる。全結合層は、畳み込み演算やプーリング演算によって抽出した特徴量を受け取
り、特徴量で分類を行うために利用される層である。そして、全結合層の最後にＳｏｆｔ
ｍａｘ層を追加することによって、クラスごとの出力値の合計を１にすることができるた
め、出力結果を確率とすることができる。
なお、図１７に示す従来のＣＮＮモデルの詳細については、例えば、以下のＵＲＬ ht
tps://newtechnologylifestyle.net/vgg16originalpicture/を参照されたい。
図１２は、本発明の一実施態様である人物検知システム１の監視カメラ１０（サーマル
カメラ）によって得られた画像の一例を示す。この画像は、３月１１日の朝方（00:00-09
:00）に、電気興業株式会社の鹿沼工場内の第一駐車場の一部を監視領域として得られた
ものである。このとき、人物検知システム１は、上記の第一駐車場から約１００メートル
離れた建物の屋上に設置されて、上記の第一駐車場内の人物を検出した。
カメラ）によって得られた画像の一例を示す。この画像は、３月１１日の朝方（00:00-09
:00）に、電気興業株式会社の鹿沼工場内の第一駐車場の一部を監視領域として得られた
ものである。このとき、人物検知システム１は、上記の第一駐車場から約１００メートル
離れた建物の屋上に設置されて、上記の第一駐車場内の人物を検出した。
次に、図１３を参照して、図１２に示す画像の場所（第一駐車場）を朝方（00:00-09:0
0）に監視領域として監視した場合に、本発明の一実施態様である人物検知システム１の
表示装置３０に表示される、人物を検知した場合の画面について説明する。図１３では、
監視カメラ１０で監視領域を撮影した（図１２に示される）画像とその画像を撮影した日
時とを、表示装置３０の表示部に自動的に表示する。ここで、表示装置３０には、一例と
して、何等かの動体を検知した数や、動体についての映像を取得した時刻（映像時刻）や
、人物の検知の有無や、車両の検知の有無や、検知対象が不明なものの有無などを表示す
ることができる。具体的には、図１３に示されるように、本発明の一実施態様である人物
検知システム１は、図１２に示す上記の第一駐車場の一部を朝方（00:00-09:00）に監視
し、人物検知数が１７７、人物未検知数が６、車両検知数が２、検知対象不明数が０とい
う結果を自動的に得ることができた（なお、画像を目視して数えた人物総数は１８３人で
あった）。そのため、この場合の人物検知システム１の人物検知率（人物検知数÷人物総
数）は、１７７÷１８３≒９６．７％であった。そして、この場合の人物検知システム１
の総合検知率（人物検知数÷総検知数）は、１７７÷（１７７＋６＋２＋０）≒９５．７
％であった。このように、本発明の一実施態様である人物検知システム１によれば、９５
％を超える良好な人物検知率および総合検知率を得ることができた。ここで、「人物未検
知数」は、人物検知システム１が監視領域内で検知することができなかった人物の数であ
り、「検知対象不明数」は、人物検知システム１が監視領域内で検知した、人物または車
両以外の物体の数である。
なお、図１３の備考欄の「０時～なし」の記載は、０時～１時の範囲での検知が無かっ
たことを意味する。同様に、図１３の備考欄の「１時～なし」の記載は、１時～２時の範
囲での検知が無かったことを意味し、図１３の備考欄の「３時～なし」の記載は、３時～
４時の範囲での検知が無かったことを意味する。
0）に監視領域として監視した場合に、本発明の一実施態様である人物検知システム１の
表示装置３０に表示される、人物を検知した場合の画面について説明する。図１３では、
監視カメラ１０で監視領域を撮影した（図１２に示される）画像とその画像を撮影した日
時とを、表示装置３０の表示部に自動的に表示する。ここで、表示装置３０には、一例と
して、何等かの動体を検知した数や、動体についての映像を取得した時刻（映像時刻）や
、人物の検知の有無や、車両の検知の有無や、検知対象が不明なものの有無などを表示す
ることができる。具体的には、図１３に示されるように、本発明の一実施態様である人物
検知システム１は、図１２に示す上記の第一駐車場の一部を朝方（00:00-09:00）に監視
し、人物検知数が１７７、人物未検知数が６、車両検知数が２、検知対象不明数が０とい
う結果を自動的に得ることができた（なお、画像を目視して数えた人物総数は１８３人で
あった）。そのため、この場合の人物検知システム１の人物検知率（人物検知数÷人物総
数）は、１７７÷１８３≒９６．７％であった。そして、この場合の人物検知システム１
の総合検知率（人物検知数÷総検知数）は、１７７÷（１７７＋６＋２＋０）≒９５．７
％であった。このように、本発明の一実施態様である人物検知システム１によれば、９５
％を超える良好な人物検知率および総合検知率を得ることができた。ここで、「人物未検
知数」は、人物検知システム１が監視領域内で検知することができなかった人物の数であ
り、「検知対象不明数」は、人物検知システム１が監視領域内で検知した、人物または車
両以外の物体の数である。
なお、図１３の備考欄の「０時～なし」の記載は、０時～１時の範囲での検知が無かっ
たことを意味する。同様に、図１３の備考欄の「１時～なし」の記載は、１時～２時の範
囲での検知が無かったことを意味し、図１３の備考欄の「３時～なし」の記載は、３時～
４時の範囲での検知が無かったことを意味する。
加えて、本発明の一実施態様である人物検知システム１では、所定のマーキング処理さ
れた人物の映像を表示装置３０に表示することができる。また、所定のマーキング処理さ
れた人物の映像を（例えば、フレームインからフレームアウトまでの間に）連続してマー
キングを行う事でその軌道を目視で確認することができる。そのため、そのようにマーキ
ング処理された人物が、所定の撮影日時（つまりその人物の検知日時）において、例えば
、監視領域に存在していたか否かを表示装置３０において容易に確認することができる。
れた人物の映像を表示装置３０に表示することができる。また、所定のマーキング処理さ
れた人物の映像を（例えば、フレームインからフレームアウトまでの間に）連続してマー
キングを行う事でその軌道を目視で確認することができる。そのため、そのようにマーキ
ング処理された人物が、所定の撮影日時（つまりその人物の検知日時）において、例えば
、監視領域に存在していたか否かを表示装置３０において容易に確認することができる。
図１４は、ＡＩ判定部２０２ｂによって判定された人物がマーキング部２０２ｃによっ
て四角枠で囲まれたマーキング処理されて表示装置３０に表示されたサーマル画像である
。図１４中の破線は、座標をわかりやすくするための補助線である（つまり、図１４中の
破線は、本願における説明用として記載した補助線であり、マーキング部２０２ｃによっ
てマーキング処理されたものではない）。また、表示装置３０では、マーキング部２０２
ｃでのマーキング処理によって判定された人物を取り囲む四角枠の色を、（例えば、立ち
入りを許可された者であるか否かに応じて）緑または赤のマーキングで区別して表示する
ことができる。次に、図１５は、図１４のＡＩ判定部２０２ｂによって判定された人物（
つまり、図１４と同じ人物、同じ時間、同じ場所）について、マーキング部２０２ｃによ
って四角枠で囲まれたマーキング処理されて表示装置３０に表示された、可視光カメラの
白黒モードで撮影した画像（白黒モード画像あるいは赤外線モード画像）である。ここで
、白黒モードにおいて、設定パネルから設定した四角枠の範囲内に一定の閾値を超える光
量（つまり、赤外線ライトの光量）が検出された場合には、その四角枠で囲まれた人物は
立ち入りを許可された者であると判定することができる。そして、その人物を取り囲む四
角枠の色を緑にして表示することができる。一方、設定パネルから設定した四角枠の範囲
内に一定の閾値を超える光量（つまり、赤外線ライトの光量）が検出されない場合には、
その四角枠で囲まれた人物は不法侵入者であると判定することができる。そして、その人
物を取り囲む四角枠の色を赤にして表示することができる。
ここで、図１４のサーマル画像と図１５の白黒モード画像とは、解像度が互いに同一で
ある。また、人物検知システム１は、図１４のサーマル画像において人物を検知した座標
を記録する。そして、人物検知システム１は、図１５の白黒モード画像の同一座標範囲内
に所定の光源（つまり、赤外線ライトの発光）があるかを判定する。そして、人物検知シ
ステム１は、図１５の破線の四角枠で囲まれた範囲内に赤外線ライトの発光を検知したこ
とから、この人物が監視領域への立ち入りを許可された者であることを判定する。
て四角枠で囲まれたマーキング処理されて表示装置３０に表示されたサーマル画像である
。図１４中の破線は、座標をわかりやすくするための補助線である（つまり、図１４中の
破線は、本願における説明用として記載した補助線であり、マーキング部２０２ｃによっ
てマーキング処理されたものではない）。また、表示装置３０では、マーキング部２０２
ｃでのマーキング処理によって判定された人物を取り囲む四角枠の色を、（例えば、立ち
入りを許可された者であるか否かに応じて）緑または赤のマーキングで区別して表示する
ことができる。次に、図１５は、図１４のＡＩ判定部２０２ｂによって判定された人物（
つまり、図１４と同じ人物、同じ時間、同じ場所）について、マーキング部２０２ｃによ
って四角枠で囲まれたマーキング処理されて表示装置３０に表示された、可視光カメラの
白黒モードで撮影した画像（白黒モード画像あるいは赤外線モード画像）である。ここで
、白黒モードにおいて、設定パネルから設定した四角枠の範囲内に一定の閾値を超える光
量（つまり、赤外線ライトの光量）が検出された場合には、その四角枠で囲まれた人物は
立ち入りを許可された者であると判定することができる。そして、その人物を取り囲む四
角枠の色を緑にして表示することができる。一方、設定パネルから設定した四角枠の範囲
内に一定の閾値を超える光量（つまり、赤外線ライトの光量）が検出されない場合には、
その四角枠で囲まれた人物は不法侵入者であると判定することができる。そして、その人
物を取り囲む四角枠の色を赤にして表示することができる。
ここで、図１４のサーマル画像と図１５の白黒モード画像とは、解像度が互いに同一で
ある。また、人物検知システム１は、図１４のサーマル画像において人物を検知した座標
を記録する。そして、人物検知システム１は、図１５の白黒モード画像の同一座標範囲内
に所定の光源（つまり、赤外線ライトの発光）があるかを判定する。そして、人物検知シ
ステム１は、図１５の破線の四角枠で囲まれた範囲内に赤外線ライトの発光を検知したこ
とから、この人物が監視領域への立ち入りを許可された者であることを判定する。
図１６Ａは、一例として、マーキング部２０２ｃによって検知した人物がいくつかの四
角枠で囲まれたマーキング処理を含むカラー画像（白黒モードあるいは赤外線モード）を
示す。図１６Ａの画像中のある四角枠内では赤外線ライトの発光が検知されているため、
この四角枠内の人物は監視領域への立ち入りを許可された者であることがわかる。一方、
図１６Ａの別の四角枠では赤外線ライトの発光が検知されていないため、この四角枠内の
人物は不法侵入者である可能性が高いことがわかる。
次に、図１６Ｂは、監視領域への立ち入りを許可された者であるかどうかを判定するの
に利用されうる赤外線ライトの一例を示す。例えば、本発明の一実施態様である人物検知
システム１の監視領域への立ち入りを許可された者に対して、図１６Ｂに示される赤外線
ライトを予め貸与することによって、監視領域への立ち入りを許可された者と不法侵入者
とを区別することができる。
角枠で囲まれたマーキング処理を含むカラー画像（白黒モードあるいは赤外線モード）を
示す。図１６Ａの画像中のある四角枠内では赤外線ライトの発光が検知されているため、
この四角枠内の人物は監視領域への立ち入りを許可された者であることがわかる。一方、
図１６Ａの別の四角枠では赤外線ライトの発光が検知されていないため、この四角枠内の
人物は不法侵入者である可能性が高いことがわかる。
次に、図１６Ｂは、監視領域への立ち入りを許可された者であるかどうかを判定するの
に利用されうる赤外線ライトの一例を示す。例えば、本発明の一実施態様である人物検知
システム１の監視領域への立ち入りを許可された者に対して、図１６Ｂに示される赤外線
ライトを予め貸与することによって、監視領域への立ち入りを許可された者と不法侵入者
とを区別することができる。
なお、上記の人物検知システム１は、例えば、人物検知方法のための所定の命令を含む
、コンピュータに読み取り可能なプログラムを映像蓄積部２０１に記憶しておき、その所
定の命令を中央演算部２０２に実行させることができる。
、コンピュータに読み取り可能なプログラムを映像蓄積部２０１に記憶しておき、その所
定の命令を中央演算部２０２に実行させることができる。
ここまで、一例として工場への不法侵入者を監視する用途として、人物検知システム１
を説明してきた。しかしながら、工場を監視する目的に限られない他の用途に人物検知シ
ステム１を利用できることが、当業者には理解されるであろう。例えば、許可された者の
みが立ち入りを許可された場所を通行する人物を監視するために人物検知システム１を使
用できることが、当業者には理解されるであろう。
を説明してきた。しかしながら、工場を監視する目的に限られない他の用途に人物検知シ
ステム１を利用できることが、当業者には理解されるであろう。例えば、許可された者の
みが立ち入りを許可された場所を通行する人物を監視するために人物検知システム１を使
用できることが、当業者には理解されるであろう。
本明細書において、特定の実施態様について本発明を具体的に説明してきたが、これら
の実施態様は、本発明の原理及び用途の単なる例示にすぎない。したがって、例示の実施
態様に対して多数の修正を実行することができることや、特許請求の範囲によって規定さ
れる本発明の趣旨及び範囲から逸脱することなく他の構成を採用することができることが
当業者に理解されるであろう。
の実施態様は、本発明の原理及び用途の単なる例示にすぎない。したがって、例示の実施
態様に対して多数の修正を実行することができることや、特許請求の範囲によって規定さ
れる本発明の趣旨及び範囲から逸脱することなく他の構成を採用することができることが
当業者に理解されるであろう。
１ 人物検知システム
１０ 監視カメラ
２０ 映像解析装置
２０１ 映像蓄積部
２０２ 中央演算部
２０２ａ 動体検出部
２０２ｂ ＡＩ判定部
２０２ｃ マーキング部
３０ 表示装置
１０ 監視カメラ
２０ 映像解析装置
２０１ 映像蓄積部
２０２ 中央演算部
２０２ａ 動体検出部
２０２ｂ ＡＩ判定部
２０２ｃ マーキング部
３０ 表示装置
Claims (17)
- 監視領域の画像を所定の時間間隔で取得する、少なくともサーマルカメラを備えた監視
カメラと、
前記サーマルカメラから受信した前記画像を処理する中央演算部と、前記サーマルカメ
ラから受信した前記画像を記憶する映像蓄積部とを含む映像解析装置であって、該中央演
算部は、前記画像を処理するための、動体検出部とＡＩ判定部とを含むものである、映像
解析装置と
を含んでなる人物検知システムであって、
前記動体検出部は、フレーム差分法を用いて前記画像のうちの連続する３枚以上のフレ
ームを切り出し、連続するフレーム２枚の差分の絶対値を計算し、これを次の２枚のフレ
ームについても繰り返し、差分の論理積を計算することによって、前記３枚以上のフレー
ムにわたって動き続けている物体を抽出し、
前記ＡＩ判定部は、前記物体について人工知能を使用した画像解析処理を実行して前記
物体が人物であるかどうかを判定するものである、人物検知システム。 - 前記ＡＩ判定部は、前記物体が人物であることを判定するアルゴリズムを有するプログ
ラムを含む、請求項１に記載の人物検知システム。 - 前記ＡＩ判定部は、前記物体の高さと幅との比率に基づいて前記物体が人物であるかを
判定する、請求項１に記載の人物検知システム。 - 前記中央演算部は、前記人物であることを判定した前記画像において、前記人物を取り
囲む範囲を示すマークを前記画像に追加する処理を実行する、前記ＡＩ判定部に接続され
たマーキング部を更に含む、請求項１～３のいずれか一項に記載の人物検知システム。 - 前記監視カメラは少なくとも１つの可視光カメラを更に備え、前記中央演算部は、前記
サーマルカメラによって前記人物を検出した画像において前記人物の座標および撮影され
た時刻に基づいて、近赤外線ライトを照射して前記可視光カメラの白黒モードによって得
られる画像において前記人物を特定し、前記画像の前記人物を取り囲む所定の範囲内にお
ける発光の有無を判定する、請求項１に記載の人物検知システム。 - 前記中央演算部は、前記所定の範囲内における発光を検知した場合、前記人物が前記監
視領域への立ち入りを許可された者であると判定する、請求項５に記載の人物検知システ
ム。 - 前記映像蓄積部に記憶された前記画像を表示する表示装置を更に含む、請求項１に記載
の人物検知システム。 - インターネットを介して前記映像解析装置を制御する少なくとも１つの端末を更に含む
、請求項１に記載の人物検知システム。 - 監視領域の画像を所定の時間間隔で取得する、少なくともサーマルカメラを備えた監視
カメラと、
前記サーマルカメラから受信した前記画像を処理する中央演算部と、前記サーマルカメ
ラから受信した前記画像を記憶する映像蓄積部とを含む映像解析装置であって、該中央演
算部は、前記画像を処理するための動体検出部とＡＩ判定部とを含むものである、映像解
析装置と
を含んでなる、人物検知システムにおける人物検知方法であって、
前記動体検出部は、フレーム差分法を用いて前記画像のうちの連続する３枚以上のフレ
ームを切り出し、連続するフレーム２枚の差分の絶対値を計算し、これを次の２枚のフレ
ームについても繰り返し、差分の論理積を計算することによって、前記３枚以上のフレー
ムにわたって動き続けている物体を抽出するステップと、
前記物体を含む複数の画像を学習データとして、前記物体が人物であるか否かを繰り返
し学習させた前記ＡＩ判定部は、前記物体について人工知能（ＡＩ）を使用した画像解析
処理を実行し、前記物体が人物であるか否かを判定するステップと
を含んでなる人物検知方法。 - 前記ＡＩ判定部は、前記物体が人物であることを判定するアルゴリズムを有するプログ
ラムを含む、請求項９に記載の人物検知方法。 - 前記ＡＩ判定部は、前記物体の高さと幅との比率に基づいて前記物体が人物であるかを
判定する、請求項９に記載の人物検知システム。 - 前記中央演算部は、前記人物であることを判定した前記画像において、前記人物を取り
囲む範囲を示すマークを前記画像に追加する処理を、前記ＡＩ判定部に接続されたマーキ
ング部に実行させるステップを更に含む、請求項９～１１のいずれか一項に記載の人物検
知方法。 - 前記監視カメラは少なくとも１つの可視光カメラを更に備え、前記中央演算部は、前記
サーマルカメラによって前記人物を検出した画像において前記人物の座標および撮影され
た時刻に基づいて、近赤外線ライトを照射することにより前記可視光カメラの白黒モード
によって得られる画像において前記人物を特定し、前記画像の前記人物を取り囲む所定の
範囲内における発光の有無を判定する、請求項９に記載の人物検知方法。 - 前記中央演算部は、前記所定の範囲内における発光を検知した場合、前記人物が前記監
視領域への立ち入りを許可された者であると判定する、請求項１３に記載の人物検知方法
。 - 前記映像蓄積部に記憶された前記画像を表示装置に表示させるステップを更に含む、請
求項９に記載の人物検知方法。 - 少なくとも１つの端末が、インターネットを介して前記映像解析装置を制御するステッ
プを更に含む、請求項９に記載の人物検知方法。 - 前記映像蓄積部に記憶することができ、前記中央演算部に対して、請求項９に記載の人
物検知方法を実行させる、コンピュータに読み取り可能なプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023055995A JP7479535B1 (ja) | 2023-03-30 | 2023-03-30 | 人物検知システムおよび人物検知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023055995A JP7479535B1 (ja) | 2023-03-30 | 2023-03-30 | 人物検知システムおよび人物検知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP7479535B1 true JP7479535B1 (ja) | 2024-05-08 |
Family
ID=90926159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023055995A Active JP7479535B1 (ja) | 2023-03-30 | 2023-03-30 | 人物検知システムおよび人物検知方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7479535B1 (ja) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000175176A (ja) | 1998-12-04 | 2000-06-23 | Hitachi Ltd | 移動物体の監視方法および画像監視装置 |
| JP2003044859A (ja) | 2001-07-30 | 2003-02-14 | Matsushita Electric Ind Co Ltd | 動き追跡装置及び人物追跡方法 |
| JP2006252248A (ja) | 2005-03-11 | 2006-09-21 | Meidensha Corp | 画像処理による侵入者検知装置 |
| JP2009267827A (ja) | 2008-04-25 | 2009-11-12 | Yokogawa Denshikiki Co Ltd | 被指揮者識別装置及び指揮支援システム |
| JP2020027372A (ja) | 2018-08-09 | 2020-02-20 | 美和ロック株式会社 | 管理装置、管理システム、管理方法およびプログラム |
| JP2020102817A (ja) | 2018-12-25 | 2020-07-02 | 凸版印刷株式会社 | 監視対象識別装置、監視対象識別システム、および、監視対象識別方法 |
-
2023
- 2023-03-30 JP JP2023055995A patent/JP7479535B1/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000175176A (ja) | 1998-12-04 | 2000-06-23 | Hitachi Ltd | 移動物体の監視方法および画像監視装置 |
| JP2003044859A (ja) | 2001-07-30 | 2003-02-14 | Matsushita Electric Ind Co Ltd | 動き追跡装置及び人物追跡方法 |
| JP2006252248A (ja) | 2005-03-11 | 2006-09-21 | Meidensha Corp | 画像処理による侵入者検知装置 |
| JP2009267827A (ja) | 2008-04-25 | 2009-11-12 | Yokogawa Denshikiki Co Ltd | 被指揮者識別装置及び指揮支援システム |
| JP2020027372A (ja) | 2018-08-09 | 2020-02-20 | 美和ロック株式会社 | 管理装置、管理システム、管理方法およびプログラム |
| JP2020102817A (ja) | 2018-12-25 | 2020-07-02 | 凸版印刷株式会社 | 監視対象識別装置、監視対象識別システム、および、監視対象識別方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110044486B (zh) | 用于人体检验检疫***避免重复报警的方法、装置、设备 | |
| CN110569772B (zh) | 一种泳池内人员状态检测方法 | |
| US9224278B2 (en) | Automated method and system for detecting the presence of a lit cigarette | |
| Zin et al. | Fusion of infrared and visible images for robust person detection | |
| JP3924171B2 (ja) | 監視対象物を識別する監視装置 | |
| US20080247601A1 (en) | Image processing apparatus and image processing method | |
| CN107437318B (zh) | 一种可见光智能识别算法 | |
| US20150049941A1 (en) | Electro-Optical System and Method for Analyzing Images of a Scene to Identify the Presence of a Target Color | |
| US20220122360A1 (en) | Identification of suspicious individuals during night in public areas using a video brightening network system | |
| JP2013152669A (ja) | 画像監視装置 | |
| KR101196678B1 (ko) | 실시간 화재 감시 장치 및 방법 | |
| CN111612815A (zh) | 一种红外热成像行为意图分析方法及*** | |
| CN115410324A (zh) | 一种基于人工智能的房车夜间安防***及方法 | |
| CN116403377A (zh) | 一种公共场所异常行为与隐患检测装置 | |
| CN117132949B (zh) | 一种基于深度学习的全天候跌倒检测方法 | |
| JP7479535B1 (ja) | 人物検知システムおよび人物検知方法 | |
| JP6934118B2 (ja) | 画像処理システム、画像処理方法および画像処理プログラム | |
| JP7092616B2 (ja) | 物体検出装置、物体検出方法、及び物体検出プログラム | |
| CN111432172A (zh) | 基于图像融合的围栏报警方法及*** | |
| KR101520293B1 (ko) | 시각 집중에 의한 관심객체 검지와 포렌식 영상 획득 스케쥴링 방법 및 시스템 | |
| JP4641902B2 (ja) | 画像センサ | |
| JP2008152586A (ja) | エリア警戒自動識別監視システム | |
| Jeong et al. | Thermal imaging fire detection algorithm with minimal false detection | |
| JPS62249298A (ja) | セキユリテイ監視システム | |
| JP6527729B2 (ja) | 画像処理装置及び画像処理プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230330 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231215 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240221 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240419 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240423 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7479535 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |