個人認証システム
【課題】利用者への煩わしさを極力低くしつつ、精度良く個人認証を行う。
【解決手段】荷重情報生成部２１０は、計測部１００から出力された荷重分布画像から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する。判定部２２０は、荷重情報生成部２１０により生成された認証対象人物の荷重情報と、モデル記憶部２３０に記憶されたニューロモデルとから、認証対象人物が特定人物であるか否かを判定する。モデル生成部２４０は、荷重情報生成部２１０により生成された特定人物の第１〜第３の荷重情報を学習用データとして用いてニューロモデルを生成し、このニューロモデルをモデル記憶部２３０に記憶する。
【解決手段】荷重情報生成部２１０は、計測部１００から出力された荷重分布画像から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する。判定部２２０は、荷重情報生成部２１０により生成された認証対象人物の荷重情報と、モデル記憶部２３０に記憶されたニューロモデルとから、認証対象人物が特定人物であるか否かを判定する。モデル生成部２４０は、荷重情報生成部２１０により生成された特定人物の第１〜第３の荷重情報を学習用データとして用いてニューロモデルを生成し、このニューロモデルをモデル記憶部２３０に記憶する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、認証対象人物が特定人物であるか否かの判定を行う個人認証システムに関するものである。
【背景技術】
【０００２】
バイオメトリクス認証の分野においては、従来から広く用いられている指紋及び網膜といった静的な情報ばかりでなく、動きを伴う筆跡や歩行などの動的な情報から人物を認証する研究も進められており、その中でも、歩行パターンによる認証は、物理的負担を軽減できる手法として注目されている。
【０００３】
例えば、特許文献１では、歩いている利用者が所持する携帯機器が、歩行時に発生する水平方向の振動情報を加速度波形信号として検出し、この加速度波形信号を離れた場所にある解析機器に送信し、解析機器が、受信した加速度波形信号に基づいて加速度波形の自己相関関数を算出し、この自己相関関数を記憶手段に予め登録されている利用者毎の基準の自己相関関数と比較照合して、個人認証を行う個人認証装置が開示さている。
【特許文献１】特開２００１−１９０５２７号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、特許文献１の手法では、利用者は加速度センサを備える携帯電話を持つ必要があり、煩わしいという問題がある。
【０００５】
本発明の目的は、利用者への煩わしさを極力低くしつつ、精度良く個人認証を行うことができる個人認証システムを提供することである。
【課題を解決するための手段】
【０００６】
（１）本発明による個人認証システムは、認証対象人物が特定人物であるか否かの判定を行う個人認証システムであって、人物の足裏の荷重を計測する計測手段と、前記計測手段により計測された荷重から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する荷重情報生成手段と、前記特定人物の荷重情報に基づいて予め作成され、前記認証対象人物が前記特定人物であるか否かを判定する際に用いられる判定情報を記憶する記憶手段と、前記荷重情報生成手段により生成された前記認証対象人物の荷重情報と、前記記憶手段に記憶された判定情報とから、前記認証対象人物が前記特定人物であるか否かを判定する判定手段とを備えることを特徴とする。
【０００７】
この構成によれば、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報が生成され、この荷重情報と記憶手段に予め記憶された判定情報とから、認証対象人物が特定人物であるか否かが判定される。すなわち、ユーザは、歩行時に測定手段に足を載置するといった簡単な動作を行うだけで個人認証が行われるため、ユーザに煩わしさを与えることなく、個人認証を行うことができる。
【０００８】
（２）前記荷重情報は、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を示す領域毎の荷重情報を含むことが好ましい。
【０００９】
この構成によれば、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を示す情報をから、認証対象人物が特定人物であるか否かの判定が行われるため、判定精度を高めることができる。
【００１０】
（３）前記領域毎の荷重情報は、左足の荷重情報と右足の荷重情報とを含むことが好ましい。
【００１１】
この構成によれば、左足の荷重情報と右足の荷重情報とを区別して認証対象人物が特定人物であるか否かの判定が行われるため、判定精度をより高めることができる。
【００１２】
（４）前記足裏の複数の領域は、かかと領域と、土踏まず領域と、つま先領域とを含むことが好ましい。
【００１３】
この構成によれば、各人物固有の特徴が良く表れるかかと領域と、土踏まず領域と、つま先領域との荷重情報を用いて認証対象人物が特定人物であるか否かの判定が行われるため、判定制度をより高めることができる。
【００１４】
（５）前記土踏まず領域は、第１の土踏まず領域と、前記第１の土踏まず領域とは異なる第２の土踏まず領域とを含むことが好ましい。
【００１５】
この構成によれば、かかと領域と土踏まず領域とつま先領域のうち、特に各人物固有の特徴が良く現れる土踏まず領域を第１及び第２の土踏まず領域に分け、第１及び第２の土踏まず領域の荷重情報を用いて認証対象人物が特定人物であるか否かの判定が行われるため、判定制度をより高めることができる。
【００１６】
（６）前記領域毎の荷重情報は、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移であることが好ましい。
【００１７】
この構成によれば、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移が領域毎の荷重情報として算出されるため、算出処理の簡素化を図ることができる。
【００１８】
（７）前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を学習用データとして用いてニューラルネットワークモデルを生成し、このニューラルネットワークモデルを前記判定情報とするモデル生成手段を更に備え、前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報を前記ニューラルネットワークモデルに入力することで得られる出力値から、前記認証対象人物が前記特定人物であるか否かを判定することが好ましい。
【００１９】
この構成によれば、計測手段により計測された特定人物の足裏の領域毎の荷重情報を学習用データとして用いてニューラルネットワークモデルが生成され、計測手段により計測された認証対象人物の足裏の領域毎の荷重情報を、生成されたニューラルネットワークモデルに入力することで得られる出力値から、認証対象人物が特定人物であるか否かが判定されているため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。また、ニューラルネットワークモデルの学習回数を増大させることで、上記判定精度をより高めることが可能となる。
【００２０】
（８）前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を用いて特定人物の基準荷重情報を生成し、この基準荷重情報を前記判定情報とする基準荷重情報生成手段を更に備え、前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報と前記基準荷重情報とのユークリッド距離に基づいて、前記認証対象人物が前記特定人物であるか否かを判定することが好ましい。
【００２１】
この構成によれば、特定人物の足裏の領域毎の荷重情報である基準荷重情報と、認証対象人物の足裏の領域毎の荷重情報とのユークリッド距離に基づいて、認証対象人物が特定人物であるか否かが判定されているため、処理コストの低下を図りつつ、精度の良い認証処理を実現することができる。
【００２２】
（９）また、前記認証対象人物は複数存在し、前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離の合計値を前記認証対象人物毎に求め、前記合計値が最小となる認証対象人物を前記特定人物と判定することが好ましい。
【００２３】
この構成によれば、特定人物であるか否かの判定を精度良く行うことができる。
【００２４】
（１０）また、前記認証対象人物は複数存在し、前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、どの認証対象人物が前記特定人物に該当するかを判定し、最も多く特定人物に該当すると判定した認証対象人物を前記特定人物と判定することが好ましい。
【００２５】
この構成によれば、特定人物であるか否かの判定を精度良く行うことができる。
【００２６】
（１１）前記認証対象人物は複数存在し、前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、ユークリッド距離が小さい順に順位付けし、各認証対象人物の平均順位を求め、前記平均順位が最大となる認証対象人物を前記特定人物と判定することが好ましい。
【００２７】
この構成によれば、特定人物であるか否かの判定を精度良く行うことができる。
【００２８】
（１２）前記荷重情報は、前記領域毎の荷重の時間的推移を示す波形の特徴を表す情報であることが好ましい。
【００２９】
この構成によれば、領域毎の荷重の時間的推移を示す波形の特徴を表す情報が、荷重情報として採用されるため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３０】
（１３）前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域の荷重の最大値と、対応する領域が所定の基準時刻から前記載置部に踏み込まれるまでの時間と、対応する領域の荷重が前記基準時刻から最大値になるまでの時間と、対応する領域が前記基準時刻から前記載置部より離れるまでの時間とを含むことが好ましい。
【００３１】
この構成によれば、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３２】
（１４）前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域が前記載置部に踏み込み込まれている踏み込み期間内における最大の振幅値と、対応する領域が前記載置部から踏み抜かれている踏み抜き期間内における最大の振幅値と、前記踏み込み期間内において所定の基準時刻から最大の振幅値になるまでの時間と、前記踏み抜き期間内において前記基準時刻から最大の振幅値になるまでの時間とを含むことが好ましい。
【００３３】
この構成によれば、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３４】
（１５）前記領域毎の荷重情報は、対応する領域の荷重の最大値と、所定の基準時刻から最大値になるまでの時間とを含むことが好ましい。
【００３５】
この構成によれば、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３６】
（１６）前記計測手段は、人物の足裏が載置され、この足裏の荷重分布を測定する接触荷重分布センサから構成されることが好ましい。
【００３７】
この構成によれば、計測手段が荷重分布センサにより構成されているため、荷重情報を精度良く算出することができる。
【００３８】
（１７）前記計測手段は、前記認証対象人物の足裏が載置され、内部の空圧が変化する複数のチューブと、各チューブの内部の圧力変化を測定する空圧センサとを備えることが好ましい。
【００３９】
この構成によれば、複数のチューブと、各チューブの内部の圧力変化を測定する空圧センサといった簡便な構成で計測手段が構成されているため、低コスト化を図ることができる。
【００４０】
（１８）前記計測手段は、前記認証対象人物により着用される靴に取り付けられていることが好ましい。
【００４１】
この構成によれば、計測手段が認証対象人物により着用される靴に取り付けられているため、複数歩の認証対象人物の荷重情報を容易に測定することができる。
【発明の効果】
【００４２】
本発明によれば、ユーザは、測定手段に足を載置するといった簡単な動作を行うだけで個人認証が行われるため、ユーザに煩わしさを与えることなく、個人認証を行うことができる。
【発明を実施するための最良の形態】
【００４３】
（実施の形態１）
図１は、本発明の実施の形態１による個人認証システムの全体構成図を示している。図１に示すように本個人認証システムは、接触荷重分布センサ１０、計測制御装置２１、及び演算装置２２を備えている。接触荷重分布センサ１０は、横方向にＸ個、縦方向にＹ個のマトリックス状に配列された複数の圧電素子から構成され、人物の足裏が載置される載置部１１を備え、載置部１１に載置された足裏の各位置の荷重を計測する。各圧電素子は、載置された足裏からの荷重を受け、受けた荷重の大きさに応じたレベルの電気信号を計測制御装置２１に出力する。
【００４４】
計測制御装置２１は、各圧電素子から出力されるアナログの電気信号をデジタルの電気信号に変換し、このデジタルの電気信号を各圧電素子の位置に従ってＸ行×Ｙ列にマトリックス状に配列し、載置部１１に載置された足裏の荷重分布を示す荷重分布画像を生成し、演算装置２２に出力する。ここで、計測制御装置２１は、接触荷重分布センサ１０により荷重が検出されてから荷重が検出されなくなるまで一定の時間間隔で荷重分布画像を生成し、複数枚の荷重分布画像を演算装置２２に出力する。
【００４５】
図２は、計測制御装置２１により生成された荷重分布画像を示した図である。図２に示す荷重分布画像において、各画素は各圧電素子に対応し、輝度が明るくなるにつれて荷重が大きく、輝度が暗くなるにつれて荷重が小さいことを示している。図２においては、足裏中央の土踏まず領域は暗く、足裏後端のかかと領域及び土踏まず領域の前側のつま先領域が明るくなっているため、これらの領域に高い荷重が加わっていることが分かると共に、足裏のほぼ全面が載置部１１に載置されていることが分かる。演算装置２２は、一般的なパーソナルコンピュータから構成され、個人認証システムの全体を制御する。
【００４６】
図３は、図１に示す個人認証システムのブロック図を示している。図３に示すように本個人認証システムは、計測部１００及び制御部２００を備えている。計測部１００は、図１に示す接触荷重分布センサ１０及び計測制御装置２１から構成され、一定の時間間隔毎に荷重分布画像を生成し、制御部２００に出力する。制御部２００は、図１に示す演算装置２２から構成され、荷重情報生成部２１０、判定部２２０、モデル記憶部２３０、及びモデル生成部２４０の機能を備えている。これらの機能は、演算装置２２が、ハードディスクに記憶され、コンピュータを制御部２００として機能させるための制御プログラムを実行することで実現される。
【００４７】
荷重情報生成部２１０は、計測部１００から出力された荷重分布画像から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する。ここで、荷重情報には、つま先領域における荷重の時間的推移を示す第１の荷重情報と、土踏まず領域における荷重の時間的推移を示す第２の荷重情報と、かかと領域における荷重の時間的推移を示す第３の荷重情報とが含まれる。ここで、第１の荷重情報は、かかと領域の荷重の時間的推移を示す波形の特徴を表す情報であり、第２の荷重情報は、土踏まず領域の荷重の時間的推移を示す波形の特徴を表す情報であり、第３の荷重情報は、つま先領域の荷重の時間的推移を示す波形の特徴を表す情報である。
【００４８】
具体的には、荷重情報生成部２１０は、以下のようにして第１〜第３の荷重情報を生成する。まず、荷重情報生成部２１０は、計測部１００から一定の時間間隔で出力された各荷重分布画像において、輝度を２５６階調（８ビット）に分割したモノクロ画像として設定し、荷重がかかっている部分は白（２５５）に近くなり、荷重がかかってない部分は黒（０）にした各荷重分布画像を重畳することで各荷重分布画像を１枚の合成荷重分布画像に合成する。
【００４９】
次に、荷重情報生成部２１０は、この合成荷重分布画像において荷重がかかっている部分の画素を足裏を示す足裏領域として抽出し、この足裏領域に外接矩形を設定すると共に、足裏領域の形状から外接矩形の長手方向においてつま先の方向を判定し、この外接矩形の長手方向の一辺をつま先の方向から順に、予め定められた比率で３分割することで足裏領域をつま先領域、土踏まず領域及びかかと領域の３つの領域に分割する。
【００５０】
図４は、荷重情報生成部２１０が生成する合成荷重分布画像を示した図である。なお、図４に示す荷重分布画像は、足裏領域に設定した外接矩形の部分のみを示している。荷重情報生成部２１０は、合成荷重分布画像に外接矩形ＳＱ１を設定すると共に、足裏領域の形状が左側に向かうにつれて面積が大きくなっているため、外接矩形ＳＱ１の長手方向の
一辺である辺Ｈ１の左側がつま先側であると判定し、辺Ｈ１を左側から順に「１／２」：「１／４」：「１／４」の比率で３分割することで、外接矩形を左、中、右の３つの矩形領域ＳＱ１１〜ＳＱ１３に分割し、矩形領域ＳＱ１１内に含まれる足裏領域をつま先領域Ｄ１１とし、矩形領域ＳＱ１２に含まれる足裏領域を土踏まず領域Ｄ１２とし、矩形領域ＳＱ１３に含まれる足裏領域をかかと領域Ｄ１３として足裏領域を３分割する。
【００５１】
次に、荷重情報生成部２１０は、計測部１００から一定の時間間隔毎に出力された荷重分布画像毎に、かかと領域Ｄ１３に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、かかと領域Ｄ１３の荷重の時間的推移を求める。次に、荷重情報生成部２１０は、この時間的推移を用いて、かかと領域Ｄ１３の荷重の最大値Ａと、かかと領域Ｄ１３が載置部１１に踏み込まれた時刻（基準時刻Ｔ０）から、かかと領域Ｄ１３の荷重が最大値Ａとなるまでの時間Ｔ１と、基準時刻Ｔ０からかかと領域Ｄ１３が載置部１１から離れるまでの時間Ｔ２とを特定し、これら最大値Ａ、時間Ｔ１，Ｔ２を第１の荷重情報として生成する。
【００５２】
次に、荷重情報生成部２１０は、計測部１００から一定の時間間隔毎に出力された荷重分布画像毎に、土踏まず領域Ｄ１２に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、土踏まず領域Ｄ１２の荷重の時間的推移を求める。次に、荷重情報生成部２１０は、この時間的推移を用いて、土踏まず領域Ｄ１２の荷重の最大値Ｂと、基準時刻Ｔ０から土踏まず領域Ｄ１２が載置部１１に踏み込まれるまでの時間Ｔ３と、基準時刻Ｔ０から土踏まず領域Ｄ１２の荷重が最大値Ｂとなるまでの時間Ｔ４と、基準時刻Ｔ０から土踏まず領域Ｄ１２が載置部１１から離れるまでの時間Ｔ５とを特定し、これら最大値Ｂ、時間Ｔ３〜Ｔ５を第２の荷重情報として生成する。
【００５３】
次に、荷重情報生成部２１０は、計測部１００から一定の時間間隔毎に出力された荷重分布画像毎に、つま先領域Ｄ１１に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、つま先領域Ｄ１１の荷重の時間的推移を求める。次に、荷重情報生成部２１０は、この時間的推移を用いて、つま先領域Ｄ１１の荷重の最大値Ｃを特定し、基準時刻Ｔ０からつま先領域Ｄ１１が載置部１１に踏み込まれるまでの時間Ｔ６と、基準時刻Ｔ０からつま先領域Ｄ１１の荷重が最大値Ｃとなるまでの時間Ｔ７と、基準時刻Ｔ０からつま先領域Ｄ１１が載置部１１から離れるまでの時間Ｔ８とを特定し、これら最大値Ｃ、時間Ｔ６〜Ｔ８を第３の荷重情報として生成する。
【００５４】
図５は、第１〜第３の荷重情報を示したグラフであり、（ａ）は第１の荷重情報を示し、（ｂ）は第２の荷重情報を示し、（ｃ）は第３の荷重情報を示している。図５（ａ）〜（ｃ）において、縦軸は階調値の総和を示し、横軸は時間（秒）を示している。図５（ａ）〜（ｃ）に示すように、いずれの領域も山状に階調値の総和が変化しており、最大値に関しては、つま先領域Ｄ１１が最も大きく、次に、かかと領域Ｄ１３が大きく、土踏まず領域Ｄ１２が最も小さいことが分かる。また、立ち上がりに関しては、かかと領域Ｄ１３が最も早く立ち上がっており、つま先領域Ｄ１１及び土踏まず領域Ｄ１２はほぼ同時に立ち上がっているっていることが分かる。また、立ち下がりに関しては、かかと領域Ｄ１３が最も早く、次に、土踏まず領域Ｄ１２が早く、つま先領域Ｄ１１が最も遅いことが分かる。
【００５５】
なお、つま先領域Ｄ１１が載置部１１に踏み込まれる基準時刻Ｔ０、土踏まず領域Ｄ１２が載置部１１に踏み込まれる時刻、及びかかと領域Ｄ１３が載置部１１に踏み込まれる時刻は、それぞれ階調値の総和が最大値Ａ〜Ｃの５％まで上昇したときの時刻が好ましい。また、つま先領域Ｄ１１が載置部１１から離れる時刻、土踏まず領域Ｄ１２が載置部１１から離れる時刻、及びかかと領域Ｄ１３が載置部１１から離れる時刻は、それぞれ階調値の総和が最大値Ａ〜Ｃの５％まで下降したときの時刻が好ましい。
【００５６】
図３に戻り、判定部２２０は、荷重情報生成部２１０により生成された認証対象人物の荷重情報と、モデル記憶部２３０に記憶された判定情報とから、認証対象人物が特定人物であるか否かを判定する。すなわち、判定部２２０は、荷重情報生成部２１０により生成された認証対象人物の第１〜第３の荷重情報が０〜１の範囲内に収まるように正規化し、モデル記憶部２３０に記憶されたニューラルネットワークモデル（以下、「ニューロモデル」と称する。）に入力することで得られる出力値から、認証対象人物が特定人物であるか否かを判定する。
【００５７】
図６は、本個人認証システムで採用されるニューロモデルを示した図である。図６に示すように、このニューロモデルは、入力層Ｌ１、中間層Ｌ２、及び出力層Ｌ３から構成されている。入力層Ｌ１は、ノードＮ１０１、Ｎ１０２，・・・，Ｎ１１０，Ｎ１１１からなる１１個のノードを備えている。ノードＮ１０１〜Ｎ１１１には、最大値Ａ〜Ｃ、時間Ｔ１〜Ｔ８が入力される。すなわち、入力層Ｌ１には１１個のデータが入力される。
【００５８】
中間層Ｌ２は、ノードＮ２０１，Ｎ２０２，・・・，Ｎ２１４，Ｎ２１５からなる１５個のノードを備えている。中間層Ｌ２の各ノードは、入力層Ｌ１の各ノードとネットｎｅを介して接続されている。出力層Ｌ３は、ノードＮ３１，Ｎ３２，・・・，Ｎ３５からなる５個のノードを備えている。本ニューロモデルは、認証対象人物が５人の特定人物Ｐ１〜Ｐ５のうちいずれの人物に該当するかを判定するためのモデルであるため、出力層Ｌ３の各ノードは、５人の特定人物Ｐ１〜Ｐ５に対応している。出力層Ｌ３の各ノードは中間層Ｌ２の各ノードとネットｎｅを介して接続されている。
【００５９】
図７は、本ニューロモデルを構成する各ノードの機能の説明図である。図７に示すノードＮは、図６に示すノードのうち中間層Ｌ２又は出力層Ｌ３に属するある１つのノードを示している。Ｘ１〜Ｘｎのｎ個の入力値はそれぞれｎ個のネットｎｅの係数ｗ１〜ｗｎと乗じられてノードＮに入力され、ノードＮはｕ＝Ｘ１・ｗ１＋Ｘ２・ｗ２＋・・・＋Ｘｎ・ｗｎを求め、求めたｕを予め定められたバイアス値と比較し、ｕ≧バイアス値の場合は、ｕを式（１）に示すシグモイド関数に入力し、得られた値を出力値として、ネットｎｅで連結されたノードＮに出力する。一方、ノードＮは、ｕ＜バイアス値の場合、連結されたノードＮに出力値を出力しない。
【００６０】
ｆ（ｕ）＝１／（１＋ｅｘｐ（−ｕ））・・・（１）
なお、入力層Ｌ１に属する各ノードＮは、１つの入力値が入力され、この入力値を式（１）のｕに代入することで出力値を算出し、連結された中間層Ｌ２の各ノードに出力する。
【００６１】
そして、判定部２２０は、入力層Ｌ１に認証対象人物の１１個のデータからなる荷重情報が入力されると、出力層Ｌ３の各ノードから出力値を出力し、ノードＮ３１の出力値が、他のノードＮ３２〜Ｎ３５から出力される出力値の最大値に比べて一定の値以上大きい場合は、特定人物Ｐ１の足裏が載置部１１に載置されたと判定し、ノードＮ３２の出力値が他のノードＮ３１，Ｎ３３〜Ｎ３５から出力される出力値の最大値に比べて一定の値以上大きい場合は、特定人物Ｐ２の足裏が載置部１１に載置されたと判定するというようにして、載置部１１に足裏を載置した認証対象人物が特定人物であるか否かを判定する。
【００６２】
すなわち、判定部２２０は、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値以上である場合、最大の出力値を出力したノードに対応付けられた特定人物が認証対象人物であると判定し、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値未満である場合、認証対象人物は、特定人物Ｐ１〜Ｐ５のいずれにも該当しないと判定する。
【００６３】
モデル生成部２４０は、荷重情報生成部２１０により生成された特定人物Ｐ１〜Ｐ５の第１〜第３の荷重情報を学習用データとして用いてニューロモデルを生成し、このニューロモデルを判定情報としてモデル記憶部２３０に記憶する。
【００６４】
ここで、モデル生成部２４０は、計測部１００に特定人物Ｐ１〜Ｐ５の足裏の荷重の測定を例えば５回実行させ、荷重情報生成部２１０に特定人物Ｐ１〜Ｐ５の各々の５回分の荷重情報を生成させ、この荷重情報を学習用データとして初期ニューロモデルに入力し、出力層Ｌ３の各ノードから出力される出力値が教師データに近づくように初期ニューロモデルの各係数を修正し、ニューロモデルを生成する。
【００６５】
なお、初期ニューロモデルは、図６に示すニューロモデルと同一構成であって、係数に所定のデフォルト値が設定されたモデルである。教師データは、５ビットの２進数からなるデータであり、特定人物Ｐ１の教師データは「１，０，０，０，０」で表され、特定人物Ｐ２の教師データは「０，１，０，０，０」で表され、特定人物Ｐ３の教師データは「０，０，１，０，０」で表され、特定人物Ｐ４の教師データは「０，０，０，１，０」で表され、特定人物Ｐ５の教師データは「０，０，０，０，１」で表される。
【００６６】
すなわち、モデル生成部２４０は、特定人物Ｐ１の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「１，０，０，０，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ２の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，１，０，０，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ３の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，０，１，０，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ４の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，０，０，１，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ５の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，０，０，０，１」が出力されるようにニューロモデルの係数を修正する。モデル記憶部２３０は、不揮発性の記憶装置から構成され、モデル生成部２４０で生成されたニューロモデルを記憶する。
【００６７】
次に、本個人認証システムの動作について説明する。図８は、本個人認証システムの動作を示すフローチャートである。まず、ステップＳ１において、荷重情報生成部２１０は、載置部１１に認証対象人部の足裏が載置され、計測部１００により荷重分布画像が生成されると（ステップＳ１でＹＥＳ）、つま先領域Ｄ１１における荷重の時間的推移を示す第１の荷重情報と、土踏まず領域Ｄ１２における荷重の時間的推移を示す第２の荷重情報と、かかと領域Ｄ１３における荷重の時間的推移を示す第３の荷重情報とからなる荷重情報を生成する（ステップＳ２）。一方、荷重情報生成部２１０は、載置部１１に認証対象人部の足裏が載置されない場合（ステップＳ１でＮＯ）、処理をステップＳ１に戻す。
【００６８】
ステップＳ３において、判定部２２０は、モデル記憶部２３０からニューロモデルを読み出し、このニューロモデルにステップＳ２で生成された第１〜第３の荷重情報を入力する。ここで、判定部２２０は、図６に示すノードＮ１０１〜Ｎ１１１に、最大値Ａ〜Ｃ、時間Ｔ１〜Ｔ８を０〜１の範囲で正規化した値を入力する。
【００６９】
ステップＳ４において、判定部２２０は、ノードＮ３１〜Ｎ３５の出力値を算出し、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値以上である場合、最大の出力値を出力したノードに対応付けられた特定人物が認証対象人物であると判定し、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値未満である場合、認証対象人物は、特定人物
Ｐ１〜Ｐ５のいずれにも該当しないと判定する。
【００７０】
次に、モデル生成部２４０によるニューロモデルの生成処理について説明する。図９は、ニューロモデルの生成処理を示すフローチャートである。まず、ステップＳ１１において、モデル生成部２４０は、計測部１００に特定人物Ｐ１〜Ｐ５の各々の足裏の荷重の時間的推移を５回測定させる。次に、モデル生成部２４０は、各特定人物の１回毎の足裏の荷重の時間的推移から５個の荷重情報を学習用データとして生成する（ステップＳ１２）。ここで、特定人物Ｐ１の５個の学習用データをＥ１１〜Ｅ１５（Ｅ１１〜Ｅ１５は各々第１〜第３の荷重情報、すなわち１１個のデータを含む）、特定人物Ｐ２の５個の学習用データをＥ２１〜Ｅ２５、特定人物Ｐ３の５個の学習用データをＥ３１〜Ｅ３５、特定人物Ｐ４の５個の学習用データをＥ４１〜Ｅ４５、特定人物Ｐ５の５個の学習用データをＥ５１〜Ｅ５５とする。
【００７１】
次に、モデル生成部２４０は、特定人物Ｐ１〜Ｐ５のうち処理対象となる特定人物である注目特定人物を示すカウント値ｋに０を代入し、カウント値ｋを初期化する（ステップＳ１３）。次に、モデル生成部２４０は、特定人物Ｐ１〜Ｐ５のうち一人の特定人物を注目特定人物として特定する（ステップＳ１４）。ここで、モデル生成部２４０は、例えば特定人物Ｐ１〜Ｐ５の順で注目特定人物を特定する。次に、モデル生成部２４０は、注目学習用データを示すカウント値ｔに０を代入し、カウント値ｔを初期化する（ステップＳ１５）。次に、モデル生成部２４０は、注目特定人物の５個の学習用データのうち処理対象となる学習用データである注目学習用データを特定する（ステップＳ１６）。ここで、モデル生成部２４０は、例えば学習用データＥ１１〜Ｅ１５、学習用データＥ２１〜Ｅ２５、学習用データＥ３１〜Ｅ３５、学習用データＥ４１〜Ｅ４５、学習用データＥ５１〜Ｅ５５の順で注目学習用データを特定する。
【００７２】
次に、モデル生成部２４０は、ニューロモデルに注目特定人物の注目学習用データを入力する（ステップＳ１７）。
【００７３】
次に、モデル生成部２４０は、ニューロモデルの係数の修正回数を示すカウント値ｓに０を代入し、カウント値ｓを初期化する（ステップＳ１８）。次に、モデル生成部２４０は、注目特定人物のノードＮ３１〜Ｎ３５からの出力値が、注目特定人物に対して定められた教師データとなるように、ニューロモデルの係数を修正する（ステップＳ１９）。
【００７４】
ここで、ニューロモデルの係数の修正処理について説明する。図１０は、ニューロモデルの係数の修正処理の説明図である。以下の説明では、特定人物Ｐ１が注目特定人物である場合を例に挙げている。まず、モデル生成部２４０は、学習用データＥ１１をノードＮ１０１〜Ｎ１１１に入力すると、ノードＮ２０１は、ｕ＝Ａ・ｗ１，１＋Ｂ・ｗ２，１＋Ｃ・ｗ３，１＋Ｔ１・ｗ４，１＋Ｔ２・ｗ５，１＋Ｔ３・ｗ６，１＋Ｔ４・ｗ７，１＋Ｔ５・ｗ８，１＋Ｔ６・ｗ９，１＋Ｔ７・ｗ１０，１＋Ｔ８・ｗ１１，１を算出し、中間層Ｌ２のノードＮ２０１に入力する。但し、Ａ〜Ｃ、Ｔ１〜Ｔ８は特定人物Ｐ１の学習用データＥ１１に含まれる１１個のデータを示し、係数ｗ１，１、ｗ２，１、・・・、ｗ１１，１は、入力層Ｌ１のノードＮ１０１〜Ｎ１１１と、中間層Ｌ２のノードＮ２０１とを繋ぐネットｎｅ１〜ｎｅ１１の係数を示している。
【００７５】
ノードＮ２０１は、ｕがバイアス値θ０より大きい場合は、ｕを式（１）に示すシグモイド関数に入力して出力値ｆ０を算出し、この出力値ｆ０を出力層Ｌ３の各ノードに出力する。中間層Ｌ２の他の各ノード及び出力層Ｌ３を構成する各ノードもノードＮ２０１と同様にして出力値を算出する。
【００７６】
次に、モデル生成部２４０は、式（２）を用いて、ノードＮ３１〜Ｎ３５からの出力値
と教師データとの自乗誤差Ｅを算出する。
【００７７】
Ｅ＝（１／２）・Σｋ＝１５（ｔｋ−Ｏｋ）２・・・（２）
例えば、ノードＮ３１〜Ｎ３５の出力値Ｏ１〜Ｏ５が（０．４５，０．６２３，０．４０６，０．２４５，０．２４４）であったとすると、この例では注目特定人物が特定人物Ｐ１であるため、教師データはｔｋ＝（１，０，０，０，０）であり、自乗誤差Ｅは、Ｅ＝（１／２）・（（０．４５−１）２＋（０．６２３−０）２＋（０．４０６−０）２＋（０．２４５−０）２＋（０．２４４−０）２）＝０．４８５となる。
【００７８】
そして、モデル生成部２４０は、自乗誤差Ｅが０に近づくように、すなわち、ノードＮ３１〜Ｎ３５の出力値Ｏ１〜Ｏ５が（１，０，０，０，０）となるように、式（３），（４）を用いて、各ネットｎｅの係数を修正する。
【００７９】
Δｗ（ｔ）＝−η・∂Ｅ／∂ｗ（ｔ）＋ａΔｗ（ｔ−１）・・・（３）
ｗ（ｔ＋１）＝ｗ（ｔ）＋Δｗ（ｔ）・・・（４）
但し、ｗは注目する注目ネットの係数を示し、ηは予め定められた学習定数であり、ａは予め定められた慣性項係数であり、ｗ（ｔ）は注目ネットの現在の係数を示し、ｗ（ｔ−１）は注目ネットの前回の係数を示し、ｗ（ｔ＋１）は注目ネットの修正後の係数を示す。
【００８０】
また、式（３）に示す∂Ｅ／∂ｗ（ｔ）は式（５），（６）で示される。
【００８１】
∂Ｅ／∂ｗｊ，ｋ（ｔ）＝（Ｏｋ−ｔｋ）・Ｏｋ・（１−Ｏｋ）・Ｏｊ・・・（５）
∂Ｅ／∂ｗｉ，ｊ（ｔ）＝Ｏｊ・（１−Ｏｊ）・Ｏｉ・Σｗｊ，ｋ・（Ｏｋ−ｔｋ）・Ｏｋ・（１−Ｏｋ）・・・（６）
但し、式（５）に示すｗｊ，ｋは注目ネットが中間層Ｌ２と出力層Ｌ３とを繋ぐネットである場合の注目ネットの係数を示し、式（６）に示すｗｉ，ｊは注目ネットが入力層Ｌ１と中間層Ｌ２とを繋ぐネットである場合の注目ネットの係数を示している。また、Ｏｋ（ｋ＝１〜５）はノードＮ３１〜Ｎ３５の出力値を示し、Ｏｊ（ｊ＝１〜１５）はノードＮ２０１〜Ｎ２１５の出力値を示し、Ｏｉ（ｉ＝１〜１１）はノードＮ１０１〜Ｎ１１１の出力値を示す。
【００８２】
図９に戻り、モデル生成部２４０は、カウント値ｓに１を加算し（ステップＳ２０）、カウント値ｓがｓ＝９５００となった場合（ステップＳ２１でＹＥＳ）、処理をステップＳ２２に進め、カウント値ｓが９５００未満である場合（ステップＳ２０でＮＯ）、処理をステップＳ１９に戻す。すなわち、モデル生成部２４０は、注目特定人物の注目学習用データを用いてステップＳ１９に示す係数の修正処理を９５００回繰り返し実行し、ニューロモデルを注目学習用データにより学習させる。なお、９５００回は一例であり、他の数値を採用してもよい。
【００８３】
ステップＳ２２において、モデル生成部２４０は、次の学習用データが注目学習用データであることを示すためにカウント値ｔに１を加算する。次に、ステップＳ２３において、モデル生成部２４０は、カウント値ｔがｔ＝５となった場合（ステップＳ２３でＹＥＳ）、すなわち、注目特定人物の学習用データの全てを注目学習用データとして特定した場合、処理をステップＳ２４に進め、注目特定人物において注目学習用データとして特定していない学習用データが存在する場合（ステップＳ２３でＮＯ）、処理をステップＳ１６に戻す。
【００８４】
次に、モデル生成部２４０は、次の特定人物が注目特定人物であることを示すために、カウント値ｋに１を加算し（ステップＳ２４）、カウント値ｋがｋ＝５になった場合（ス
テップＳ２５でＹＥＳ）、すなわち、特定人物Ｐ１〜Ｐ５の全てを注目特定人物として特定した場合、処理を終了し、カウント値ｋが５未満である場合（ステップＳ２５でＮＯ）、すなわち、特定人物Ｐ１〜Ｐ５のうち注目特定人物として特定していない特定人物が存在する場合、処理をステップＳ１４に戻す。以上により学習用データをニューロモデルに学習させ、ニューロモデルが生成される。
【００８５】
このように、本個人認証システムによれば、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報が生成され、この荷重情報とモデル記憶部２３０に判定情報として予め記憶されたニューロモデルとから、認証対象人物が特定人物であるか否かが判定される。すなわち、ユーザは、歩行時に載置部１１に足を載置するといった簡単な動作を行うだけで個人認証が行われるため、ユーザに煩わしさを与えることなく、個人認証を行うことができる。
【００８６】
また、各人物固有の特徴が良く表れるつま先領域Ｄ１１の荷重情報である第１の荷重情報と、土踏まず領域Ｄ１２の荷重情報である第２の荷重情報と、かかと領域Ｄ１３の荷重情報である第３の荷重情報とを用いて個人認証が行われるため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００８７】
また、特定人物Ｐ１〜Ｐ５の第１〜第３の荷重情報をニューロモデルに入力することで得られる出力値から、認証対象人物が特定人物であるか否かが判定されているため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。また、ニューラルネットワークモデルの学習回数を増大させることで、上記判定精度をより高めることが可能となる。
【００８８】
なお、上記実施の形態では、特定人物の人数を５人としたがこれに限定されず、６人以上、又は１〜４人としてもよい。この場合、特定人物の人数が１人の場合は出力層Ｌ３のノードの個数を１個、特定人物の人数が２人である場合は、出力層Ｌ３のノードの個数を２個とするようにして、特定人物の人数に応じてニューロモデルの出力層Ｌ３ノードの数を変更すればよい。また、上記実施の形態では、荷重情報を１１個のデータにより構成したがこれに限定されず、１０個以下のデータ或いは１２個以上のデータにより構成してもよい。この場合、荷重情報を構成するデータの個数に応じて入力層Ｌ１のノードの個数を変更すればよい。
【００８９】
（実施の形態２）
次に、本発明の実施の形態２による個人認証システムについて説明する。本個人認証システムは、計測部１００ａを接触荷重分布センサに代えて、以下に示す荷重測定装置により構成したことを特徴とする。なお、本実施の形態において、ブロック図及びフローチャートは実施の形態１のものと同様であるため、実施の形態１のものを用いて説明する。また、図３に示す括弧の符号は実施の形態２のものを示している。
【００９０】
図１１は、実施の形態２による個人認証システムの全体構成図を示している。図１１に示すように本個人認証システムは、荷重測定装置１０ａ、計測制御装置２１ａ及び演算装置２２を備えている。図１２は荷重測定装置１０ａの外観斜視図である。荷重測定装置１０ａは、３個の空圧センサ１１１〜１１３、３本のチューブＴＵ１〜ＴＵ３、２本のスペーサ１１４，１１５、及びマット１１６（載置部）を備えている。
【００９１】
チューブＴＵ１〜ＴＵ３は、マット１１６に載置される足裏の荷重に応じて内部の空圧が変化する円筒状のビニールチューブから構成され、マット１１６の上面と下面との間において、前方から順番に、チューブＴＵ１，ＴＵ２，ＴＵ３の順で長手方向が平行になるように所定間隔を設けて配列されている。チューブＴＵ１は、つま先領域Ｄ１１が載置され、チューブＴＵ２は土踏まず領域Ｄ１２が載置され、チューブＴＵ３はかかと領域Ｄ１３が載置される。スペーサ１１４は、円筒状の部材から構成され、マット１１６の上面と下面との間において、長手方向がチューブＴＵ１〜ＴＵ３の長手方向と平行になるようにチューブＴＵ１の前方に配列されている。スペーサ１１５は、円筒状の部材から構成され、マット１１６の上面と下面との間において、長手方向がチューブＴＵ１〜ＴＵ３の長手方向と平行になるようにチューブＴＵ３の後方に配列されている。マット１１６は、平板状のシートから構成され、スペーサ１１４及び１１５間に巻回されている。
【００９２】
マット１１６の上面には、ユーザに足裏の載置位置を報知するための足裏を模したマークＭ１が描かれている。ここで、マークＭ１は、つま先領域Ｄ１１のほぼ中央部がチューブＴＵ１に位置し、土踏まず領域Ｄ１２のほぼ中央部がチューブＴＵ２に位置し、かかと領域Ｄ１３のほぼ中央部がチューブＴＵ３に位置するように描かれている。これにより、ユーザがマークＭ１の位置に合うようにマット１１６に足裏を載置すると、チューブＴＵ３にかかと領域Ｄ１３の荷重が加わり、チューブＴＵ２に土踏まず領域Ｄ１２の荷重が加わり、チューブＴＵ１につま先領域Ｄ１１の荷重が加わるようになる。
【００９３】
空圧センサ１１１は、チューブＴＵ１の端部と接続され、チューブＴＵ１内部の圧力変化を検出し、空圧センサ１１２は、チューブＴＵ２の端部と接続され、チューブＴＵ２内部の圧力変化を検出し、空圧センサ１１３は、チューブＴＵ３の端部と接続され、チューブＴＵ３内部の圧力変化を検出し、検出した圧力変化の大きさに応じたレベルの電気信号を演算装置２２に出力する。なお、空圧センサ１１１〜１１３としては、（株）富士セラミックス社製のＦＫＳ−１１１を採用することができる。また、図１１に示すように、スペーサ１１４とスペーサ１１５との間隔ＬＡは３００ｍｍが好ましく、チューブＴＵ１とチューブＴＵ２との間隔ＬＡ１は８０ｍｍが好ましく、チューブＴＵ２とチューブＴＵ３との間隔ＬＡ２は８０ｍｍが好ましい。図１３は、空圧センサ１１１〜１１３のうちの１つの空圧センサの等価回路を示している。図１３に示すように空圧センサは、一端がアンプＡＥ１のゲートに接続され、他端がグラウンド端子に接続され、チューブ内部の圧力変化の大きさに応じたレベルの電気信号を出力する圧電素子ＰＥ１と、圧電素子ＰＥ１に並列接続された抵抗Ｒｇと、電界効果型トランジスタから構成され、ソースが電源端子に接続されて電圧ＶＤＤが供給され、ドレインが抵抗Ｒｓを介して出力端子に接続されたアンプＡＥ１と、抵抗Ｒｓとを備える等価回路によって表すことができる。すなわち、チューブ内部の圧力変化は圧電素子ＰＥ１により電気信号に変換され、アンプＡＥ１で増幅され、出力端子から出力される。
【００９４】
計測制御装置２１ａは、空圧センサ１１１〜１１３によりチューブＴＵ１〜ＴＵ３の圧力変化が検出されてから圧力変化が検出されなくなるまでの時間内において、一定の時間間隔で、チューブＴＵ１〜ＴＵ３の各々の圧力変化の計測データを演算装置２２に出力する。
【００９５】
図３に示す計測部１００ａは、図１１に示す荷重測定装置１０ａ及び計測制御装置２１ａから構成され、計測データを一定の時間間隔で制御部２００に出力する。荷重情報生成部２１０ａは、計測部１００ａから出力された計測データから、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する。本実施の形態では、荷重情報は、かかと領域Ｄ１３の荷重情報である第１の荷重情報と、土踏まず領域Ｄ１２の荷重情報である第２の荷重情報と、つま先領域Ｄ１１の荷重情報である第３の荷重情報とを含み、第１の荷重情報は、かかと領域Ｄ１３の荷重の時間的推移を示す波形の特徴を表す情報であり、第２の荷重情報は、土踏まず領域Ｄ１２の荷重の時間的推移を示す波形の特徴を表す情報であり、第３の荷重情報は、つま先領域Ｄ１１の荷重の時間的推移を示す波形の特徴を表す情報である。
【００９６】
図１４は、計測部１００ａから出力された計測データを示したグラフであり、（ａ）はかかと領域Ｄ１３を示し、（ｂ）は土踏まず領域Ｄ１２を示し、（ｃ）はつま先領域Ｄ１１を示している。図１４（ａ）〜（ｃ）に示すグラフにおいて、縦軸は計測データのレベル（電圧）を示し、横軸は時間（秒）を示している。また、図１５は、図１４（ａ）〜（ｃ）に示すグラフを重ね合わせて表示したグラフであり、縦軸は計測データのレベル（電圧）を示し、横軸は時間（秒）を示している。以下、図１４及び図１５を用いて第１〜第３の荷重情報について説明する。
【００９７】
第１の荷重情報は、かかと領域Ｄ１３がマット１１６に踏み込み込まれている踏み込み期間ＴＭ１内における最大の振幅値Ａ１´と、かかと領域Ｄ１３がマット１１６から踏み抜かれている踏み抜き期間ＴＭ２内における最大の振幅値Ａ２´と、踏み込み期間ＴＭ１内において最大の振幅値Ａ１´を示す時刻である基準時刻Ｔ０´から、踏み抜き期間ＴＭ２内において最大の振幅値Ａ２´になるまでの時間Ｔ３´とを含む。
【００９８】
第２の荷重情報は、土踏まず領域Ｄ１２の踏み込み期間ＴＭ３内における最大の振幅値Ｂ１´と、土踏まず領域Ｄ１２の踏み抜き期間ＴＭ４内における最大の振幅値Ｂ２´と、基準時刻Ｔ０´から、土踏まず領域Ｄ１２の踏み込み期間ＴＭ３内において最大の振幅値Ｂ１´になるまでの時間Ｔ１´と、基準時刻Ｔ０´から、土踏まず領域Ｄ１２の踏み抜き期間ＴＭ４内において最大の振幅値Ｂ２´になるまでの時間Ｔ４´とを含む。
【００９９】
第３の荷重情報は、つま先領域Ｄ１１の踏み込み期間ＴＭ５内における最大の振幅値Ｃ１´と、つま先領域Ｄ１１の踏み抜き期間ＴＭ６内における最大の振幅値Ｃ２´と、基準時刻Ｔ０´から、踏み込み期間ＴＭ５内において最大の振幅値Ｃ１´になるまでの時間Ｔ２´と、基準時刻Ｔ０´から、つま先領域Ｄ１１の踏み抜き期間ＴＭ６内において最大の振幅値Ｃ２´になるまでの時間Ｔ５´とを含む。
【０１００】
具体的には、荷重情報生成部２１０は以下のようにして、第１〜第３の荷重情報を生成する。まず、荷重情報生成部２１０は、かかと領域Ｄ１３において、踏み込みが開始された時の計測データのレベルを基準電圧Ａｒｅｆとして特定し、計測データのレベルの最大値と基準電圧Ａｒｅｆとの差分を、振幅値Ａ１´として特定し、計測データのレベルの最小値と基準電圧Ａｒｅｆとの差分の絶対値を振幅値Ａ２´として特定する。また、荷重情報生成部２１０は、振幅値Ａ１´の時刻を基準時刻Ｔ０´として特定し、基準時刻Ｔ０´から振幅値Ａ２´までの時間Ｔ３´を特定する。これら、振幅値Ａ１´，Ａ２´、時間Ｔ３´が第１の荷重情報となる。
【０１０１】
次に、荷重情報生成部２１０は、土踏まず領域Ｄ１２において、計測データのレベルの最大値と基準電圧Ａｒｅｆとの差分を、振幅値Ｂ１´として特定し、計測データのレベルの最小値と基準電圧Ａｒｅｆとの差分の絶対値を、振幅値Ｂ２´として特定する。また、荷重情報生成部２１０は、基準時刻Ｔ０´から振幅値Ｂ１´までの時間Ｔ１´と、基準時刻Ｔ０´から振幅値Ｂ２´までの時間Ｔ４´とを特定する。これら、振幅値Ｂ１´，Ｂ２´、時間Ｔ１´，Ｔ４´が第２の荷重情報となる。
【０１０２】
次に、荷重情報生成部２１０は、つま先領域Ｄ１１において、計測データのレベルの最大値と基準電圧Ａｒｅｆとの差分を、振幅値Ｃ１´として特定し、計測データのレベルの最小値と基準電圧Ａｒｅｆとの差分の絶対値を、振幅値Ｃ２´として特定する。また、荷重情報生成部２１０は、基準時刻Ｔ０´から振幅値Ｃ１´までの時間Ｔ２´と、基準時刻Ｔ０´から振幅値Ｃ２´までの時間Ｔ５´とを特定する。これら、振幅値Ｃ１´，Ｃ２´、時間Ｔ２´，Ｔ５´が第３の荷重情報となる。
【０１０３】
図３に戻り、判定部２２０ａは荷重情報生成部２１０ａにより生成された第１〜第３の
荷重情報の各データが０から１までの範囲内に収まるように、第１〜第３の荷重情報を正規化し、ニューロモデルに入力することで得られる出力値から、認証対象人物が特定人物であるか否かを判定する。なお、本実施の形態においては、図６に示すニューロモデルにおいて、入力層Ｌ１のノードＮ１０１〜Ｎ１１１には、正規化された振幅値Ａ１´，Ａ２´，Ｂ１´，Ｂ２´，Ｃ１´，Ｃ２´、及び正規化された時間Ｔ１´，Ｔ２´，Ｔ３´，Ｔ４´，Ｔ５´が入力される。
【０１０４】
次に、実施の形態２による個人認証システムについて行った実験について説明する。荷重情報生成部２１０は、計測部１００ａに特定人物Ｐ１〜Ｐ５の足裏の測定を１０回実行させ、荷重情報生成部２１０に特定人物Ｐ１〜Ｐ５の各々の１０回分の荷重情報を生成させ、１０回分の荷重情報のうち５回分の荷重情報を学習用データとして用いて、ニューロモデルを生成し、残り５回分の荷重情報を生成したニューロモデルに入力し、特定人物Ｐ１〜Ｐ５の認識を行った。
【０１０５】
図１６は、学習用データとして用いられた特定人物Ｐ１〜Ｐ５の各々の５回分の荷重情報を示した表である。この表に示された学習用データとして用いられる１１×２５＝２７５個の各データは、０〜１の範囲内に収まるように正規化されている。
【０１０６】
図９に示すフローチャートに従って、図１６に示す学習用データをニューロモデルに学習させると、図１７の表に示す結果が得られた。図１７は、特定人物Ｐ１において、図１６に示す１行目の１１個のデータを学習用データとしてニューロモデルに入力したときの、ニューロモデルの各係数の修正回数と、ノードＮ３１〜Ｎ３５の出力値Ｏ１〜Ｏ５との関係を示した表である。修正回数が０回の場合は、出力値Ｏ１〜Ｏ５は（０．５０２，０．４１９０，０．７９６５，０．４９６５，０．２６３４）であり、出力値Ｏ１と出力値Ｏ２〜Ｏ５との差に大差はないが、修正回数を５００回、１０００回と増やすにつれて、出力値Ｏ１と出力値Ｏ２〜Ｏ５との差が顕著になり、修正回数が９５００回まで増大されると、出力値Ｏ１〜Ｏ５は（０．９９８０，０．００００，０．００３０，０．００３７，０．００００）となり、出力値Ｏ１はほぼ「１」、出力値Ｏ２〜Ｏ５はほぼ「０」となり、出力値Ｏ１〜Ｏ５が特定人物Ｐ１の教師データ（１，０，０，０，０）に近づいていることが分かる。そして、モデル生成部２４０は、このような処理を図１６に示す２行目以降の各データに対して実行し、ニューロモデルを生成した。
【０１０７】
次に、判定部２２０ａは、図８に示すフローチャートに準じて、ニューロモデルの生成に用いられた荷重情報以外の残り５回分の荷重情報を、モデル生成部２４０により生成されたニューロモデルに入力した。図１８は、ニューロモデルに入力された５回分の荷重情報のうち、特定人物Ｐ１〜Ｐ５の１回分の荷重情報を示した表である。そして、図１８の表に示す特定人物Ｐ１〜Ｐ５の荷重情報を順次ニューロモデルに入力すると、図１９の表に示す結果が得られた。図１９は、図１８の表に示す荷重情報をニューロモデルに入力したときの特定人物Ｐ１〜Ｐ５毎の出力値Ｏ１〜Ｏ５を示した表である。図１８の表の１行目に示す特定人物Ｐ１の荷重情報をニューロモデルに入力すると、図１９の表の１行目に示すように出力値Ｏ１〜Ｏ５＝（０．９９７，０．００００，０．００００，０．０３０１，０．００００）が得られ、出力値Ｏ１がほぼ「１」、出力値Ｏ２〜Ｏ５がほぼ「０」となり、特定人物Ｐ１を特定することが可能であることが分かる。図１９の表の２〜５行目に示す出力値も、特定人物に対応するノードの出力値がほぼ「１」、残り４個のノードの出力値がほぼ「０」となり、特定人物Ｐ２〜Ｐ５を特定することが可能であることが分かる。
【０１０８】
図２０は、学習用データとして用いられた荷重情報以外の残り５回分の荷重情報をニューロモデルに入力したときの、判定部２２０ａが特定人物Ｐ１〜Ｐ５を認識することができたか否かの認識率を示した表である。図２０の表に示すように、特定人物Ｐ１〜Ｐ５の
認識率（％）は（８６．０，５９．６，６９．６，９８．８，９９．６）であり、平均認識率は８２．７％であり、特定人物Ｐ１〜Ｐ５が精度良く認識されていることが分かる。なお、本実験において特定人物Ｐ１〜Ｐ５の身長（ｃｍ）及び体重（ｋｇ）は図２１の表に示す通りである。
【０１０９】
このように、実施の形態２による個人認証システムによれば、チューブＴＵ１〜ＴＵ３、及び空圧センサ１１１〜１１３といった簡便な構成で計測部１００ａが構成されているため、低コスト化を図ることができる。
【０１１０】
なお、実施の形態１において、足裏領域をつま先領域Ｄ１１、土踏まず領域Ｄ１２、及びかかと領域Ｄ１３に３分割したがこれに限定されず、足裏領域を４つ以上の領域に分け、各領域の荷重情報を生成し、この荷重情報から認証対象人物を特定してもよい。
【０１１１】
また、実施の形態２において、チューブＴＵ１〜ＴＵ３の３つの測定データからつま先領域Ｄ１１、土踏まず領域Ｄ１２、及びかかと領域Ｄ１３の荷重情報を生成したがこれに限定されず、４つ以上又は２つのチューブを配設し、各チューブからの測定データから足裏の各領域の荷重情報を生成し、この荷重情報から認証対象人物を特定してもよい。
【０１１２】
また、実施の形態１、２において、ニューロモデルにより認証対象人物を特定したが、これに限定されず、特定人物の荷重情報を判定情報として記憶部に記憶させておき、この荷重情報と、荷重情報生成部２１０（２１０ａ）により生成された荷重情報とのユークリッド距離とを求めることで、認証対象人物を特定してもよい。
【０１１３】
（実施の形態３）
次に、本発明の実施の形態３による個人認証システムについて説明する。本個人認証システムは、計測部１００ｂを認証対象人物が着用する靴に設け、土踏まず領域を更に２つの領域に分け、左右の足を区別した認証を行うことを特徴とする。なお、本実施の形態において、実施の形態１、２と同一のものは説明を省略する。
【０１１４】
図２２は、実施の形態３による計測部１００ｂの外観構成図を示している。図２２に示す計測部１００ｂは、実施の形態１に示す接触荷重分布センサ１０を、認証対象人物の左右の足に装着される靴の中敷きに取り付けたものである。この場合、図１に示す計測制御装置２１及び演算装置２２は集積化して靴に取り付けても良いし、靴とは別体で取り付けても良い。計測制御装置２１及び演算装置２２を靴と別体で取り付ける場合は、無線でデータを送受してもよいし、有線でデータを送受してもよい。
【０１１５】
本実施の形態におけるブロック図は、図３と同一であるため、処理の内容を図３を用いて説明する。図３に示す荷重情報生成部２１０ｂは、合成荷重分布画像を４分割する。これにより、足裏領域がつま先領域、第１及び第２の土踏まず領域、並びにかかと領域に分割される。
【０１１６】
図２３は、計測部１００ｂから出力される合成荷重分布画像を示している。また、図２４は、４分割された合成荷重分布画像を示している。図２３、２４に示す外枠ＯＬ１は、接触荷重分布センサ１０の輪郭を示している。また、外枠ＯＬ１の内部に、黒色の足跡領域ＯＬ２が現れていることが分かる。また、足跡領域ＯＬ２のかかと部分が中心に向かうにつれて明るくなっており、中心に向かうにつれてかかとの荷重が大きくなっていることが分かる。
【０１１７】
荷重情報生成部２１０ｂは、図２４に示すように、合成分布画像に含まれる足跡領域ＯＬ２を抽出し、例えば、足跡領域ＯＬ２に外接矩形ＯＬ４を当てはめ、外接矩形ＯＬ４と足跡領域ＯＬ２との交点から足跡領域ＯＬ２の最後部ＯＬ３を特定する。ここで、荷重情報生成部２１０ｂは、足跡領域ＯＬ２の形状から外接矩形ＯＬ４の４辺のうちどの辺がかかと側の辺Ｈ１かを特定し、この辺Ｈ１と足跡領域ＯＬ２との交点から最後部ＯＬ３を特定すればよい。
【０１１８】
次に、荷重情報生成部２１０ｂは、合成荷重分布画像において、最後部ＯＬ３を基準として、外接矩形ＯＬ４のかかと側の辺Ｈ１と平行に等間隔に４本の直線ＬＩ１〜ＬＩ４を引き、つま先領域ＤＯＭ１、第１の土踏まず領域ＤＯＭ２、第２の土踏まず領域ＤＯＭ３、及びかかと領域ＤＯＭ４に分割する。具体的には、つま先領域ＤＯＭ１は、例えば外枠ＯＬ１内の領域において、直線ＬＩ４と直線Ｌ１３とよりに囲まれる領域が採用される。
【０１１９】
また、第１の土踏まず領域ＤＯＭ２は、例えば外枠ＯＬ１内の領域において、直線ＬＩ３と直線Ｌ１２とよりに囲まれる領域が採用される。また、第２の土踏まず領域ＤＯＭ３は、例えば外枠ＯＬ１内の領域において、直線ＬＩ２と直線Ｌ１１とよりに囲まれる領域が採用される。また、かかと領域ＤＯＭ４は、例えば外枠ＯＬ１内の領域において、辺Ｈ１と直線Ｌ１１とよりに囲まれる領域が採用される。
【０１２０】
次に、荷重情報生成部２１０ｂは、計測部１００ｂから一定の時間間隔毎に出力された荷重分布画像毎に、つま先領域ＤＯＭ１、第１及び第２の土踏まず領域ＤＯＭ２及びＤＯＭ３、並びにかかと領域ＤＯＭ４の各領域に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形を求める。
【０１２１】
そして、荷重情報生成部２１０ｂは、上記の処理を左右の足のそれぞれに対して行い、左右の足のそれぞれの各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形を求め、この波形から荷重情報を生成する。よって、荷重情報には左足の荷重情報と右足の荷重情報とが含まれる。
【０１２２】
図２５は、各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形の一例を示した図であり、（ａ）は左足の波形を示し、（ｂ）は右足の波形を示している。図２５（ａ）、（ｂ）において、波形Ａはかかと領域ＤＯＭ４の波形を示し、波形Ｂは第２の土踏まず領域ＤＯＭ３の波形を示し、波形Ｃは第１の土踏まず領域ＤＯＭ２の波形を示し、波形Ｄはつま先領域ＤＯＭ１の波形を示している。なお、図２５（ａ）、（ｂ）に示す波形は同一人物のものである。また、図２５（ａ）、（ｂ）において、縦軸は階調値の総和、すなわち、荷重を示し、横軸は時間（秒）を示している。
【０１２３】
図２５（ａ）、（ｂ）に示すように、各領域ＤＯＭ１〜ＤＯＭ４の波形Ａ〜Ｄは、同一人物であっても左右の足で大きく異なっていることが分かる。特に、波形Ｂが左右の足で大きく相違しており、第２の土踏まず領域ＤＯＭ３が同一人物であっても左右の足で荷重の時間的推移の差が大きいことが分かる。よって、左右の足を区別すると共に、土踏まず領域を２つの領域ＤＯＭ２及びＤＯＭ３に区別することで、各人物の特徴をより多く抽出することができ、認証精度を高めることが可能となる。
【０１２４】
図２６は、実施の形態３における荷重情報を示すグラフであり、縦軸は荷重を示し、横軸は時間（秒）を示している。図２６に示す波形Ａ〜Ｄは図２５に示す波形Ａ〜Ｄと同一である。荷重情報生成部２１０ｂは、波形Ａ〜Ｄのピーク値Ｐ１〜Ｐ４を特定し、ピーク値Ｐ１の時刻Ｔ１を基準時刻とし、時刻Ｔ１から波形Ｂ〜Ｄがピーク値Ｐ２〜Ｐ４に到達するまでの時間Ｔ２〜Ｔ３を特定する。そして、荷重情報生成部２１０ｂは、ピーク値Ｐ１〜Ｐ４及び時間Ｔ２〜Ｔ４を荷重情報として生成する。なお、図２６においては、基準時刻として、時刻Ｔ１を採用したが、波形Ａの立ち上がり時刻を採用してもよいし、波形Ａ〜Ｄのいずれか１の波形の立ち下がり時刻を採用してもよいし、波形Ｂ〜Ｄのいずれか１の波形がピーク値となる時刻を採用してもよい。
【０１２５】
図３に戻り、判定部２２０ｂは、荷重情報生成部２１０ｂにより生成された認証対象人物の荷重情報と、モデル記憶部２３０に記憶された判定情報とを比較し、認証対象人物が特定人物であるか否かを判定する。
【０１２６】
本実施の形態では、判定情報として、特定人物の荷重情報を複数回測定し、得られた複数回の荷重情報の平均値を算出することで、特定人物の荷重情報のテンプレートを生成し、このテンプレートを判定情報として採用する。以下、荷重情報のテンプレートのことを「荷重テンプレート（基準荷重情報の一例）」と称する。具体的には、荷重テンプレートは、左足の荷重テンプレートと右足の荷重テンプレートが存在し、左足の荷重テンプレートは、左足における時間Ｔ２〜Ｔ４及びピーク値Ｐ１〜Ｐ４を含み、右足の荷重テンプレートは右足における時間Ｔ２〜Ｔ４及びピーク値Ｐ１〜Ｐ４を含む。また、以下の説明では、説明の便宜上、荷重テンプレートは１種類、すなわち、特定人物の人数を１人とする。また、認証対象人物を複数とする。
【０１２７】
そして、判定部２２０ｂは、各認証対象人物の左足の荷重情報と左足の荷重テンプレートとのユークリッド距離を求め、かつ、各認証対象人物の右足の荷重テンプレートと右足の荷重テンプレートとのユークリッド距離を求め、このユークリッド距離に基づいてどの認証対象人物が特定人物に該当するかを判定する。
【０１２８】
本実施の形態では、荷重情報生成部２１０ｂは、認証対象人物に所定歩数歩かせることで、左右に所定歩数分（例えば左４歩、右４歩）の荷重情報を生成するものとする。そして、判定部２２０ｂは、各歩の荷重情報と、荷重テンプレートとのそれぞれのユークリッド距離を求め、以下に示す第１〜第３の手法を用いて個人認証を行うものとする。
【０１２９】
第１の手法は、認証対象人物の所定歩数分の荷重情報を取得し、各歩の荷重情報と荷重テンプレートとのユークリッド距離の合計を認証対象人物毎に求め、合計値を最小とする認証対象人物を特定人物として判定する手法である。
【０１３０】
第２の手法は、認証対象人物の所定歩数分の荷重情報を取得し、各歩の荷重情報と荷重テンプレートとのユークリッド距離を求め、１歩ごとに、どの認証対象人物が特定人物に該当するかを判定し、最も多く特定人物に該当すると判定された認証対象人物を、特定人物であるとして判定する手法である。
【０１３１】
例えば、認証対象人物を５人、歩数を８歩とした場合、第３番目の認証対象人物が１〜７歩目において特定人物であると判定され、第２番目の認証対象人物が８歩目において特定人物であると判定された場合、第３番目の認証対象人物が特定人物として判定される。
【０１３２】
第３の手法は、認証対象人物の所定歩数分の荷重情報を取得し、各歩の荷重情報と荷重テンプレートとのユークリッド距離を求め、１歩ごとに、ユークリッド距離が小さい順に認証対象人物を順位付けし、各認証対象人物の平均順位を求め、この平均順位が最大となる認証対象人物を、特定人物であるとして判定する手法である。
【０１３３】
例えば、認証対象人物を５人、歩数を８歩とした場合、第３番目の認証対象人物の１〜８歩分の平均順位が最も高いとすると、第３番目の認証対象人物が特定人物として判定される。
【０１３４】
モデル記憶部２３０ｂは、各特定人物の荷重テンプレートを記憶する。ここで、荷重テンプレートは、モデル生成部２４０ｂ（基準荷重情報生成手段の一例）により予め作成されたものである。モデル生成部２４０は、荷重テンプレートを生成し、モデル記憶部２３０ｂに記憶させる。
【０１３５】
次に、実施の形態３の効果を確認するために行った実験について説明する。まず、１回の歩行につき、左右それぞれ連続した４歩の計８歩の荷重情報を歩行データとして取得する。そして、この歩行を各被験者に１０回行わせ、各被験者から８歩×１０回＝８０歩分の荷重情報を取得する。次に、各被験者の１０回分の歩行データからランダムに３回の歩行データを選択し、左右各１２（＝３回×４歩）歩分の荷重情報の平均を求め、各被験者の荷重テンプレートを生成する。
【０１３６】
そして、残りの７回分の歩行データに含まれる７回×８歩＝５６歩の荷重情報と、荷重テンプレートとのユークリッド距離を１歩ごとに求め、個人認証を行う。
【０１３７】
ここで、比較する荷重情報ｘに含まれるピーク値Ｐ１〜Ｐ４及び時間Ｔ２〜Ｔ３をＰｉ（ｉ＝１，２，３，４）及びＴｉ（ｉ＝２，３，４）とし、各被験者の荷重テンプレートｙに含まれるピーク値Ｐ１〜Ｐ４及び時間Ｔ２〜Ｔ４をＰｊ（ｊ＝１，２，３，４）及び時間Ｔｊ（ｊ＝２，３，４）とすると、荷重情報と荷重テンプレートとのユークリッド距離ｄ（ｘ，ｙ）は式（７）により求めることができる。
【０１３８】
【数１】
図２７は、上記実験の流れを示すフローチャートである。まず、ステップＳ１０１において、歩行データを取得する。この場合、被験者１０人の１０回分の歩行データが取得され、１回分の歩行データは、８歩分の荷重情報を含むため、１０人×１０回×８歩＝８００歩分の荷重情報が取得される。
【０１３９】
次に、各被験者において、１０回の歩行データから３回の歩行データが選択され（ステップＳ１０２）、選択した３回の歩行データから荷重テンプレートが作成される（ステップＳ１０４）。この場合、被験者が１０人であるため、左右それぞれ１０個（合計２０個）の荷重テンプレートが生成される。次に、ステップＳ１０４で作成された被験者１０人の荷重テンプレートからある一人の被験者の荷重テンプレートが選択される（ステップＳ１０５）。
【０１４０】
次に、ステップＳ１０２において選択された３回の歩行データの残り７回分の歩行データが選択され（ステップＳ１０３）、選択された７回分の歩行データを構成する１歩ごとの荷重情報と、ステップＳ１０５で選択されたある一人の被験者の荷重テンプレートとのユークリッド距離が計算される（ステップＳ１０６）。次に、上記第１〜第３の手法のそれぞれを用いて、個人認証が行われる（ステップＳ１０７）。
【０１４１】
図２８は、被験者の人数を５人とし、第１の手法を採用した場合の実験結果を示した表である。図２９は、被験者の人数を５人とし、第３の手法を採用した場合の実験結果を示した表である。図２８及び図２９においては、被験者３の荷重テンプレートと各荷重情報とのユークリッド距離が算出され、個人認証が行われている。
【０１４２】
図２８に示すように、被験者３の各歩のユークリッド距離の合計が０．２３６７７３となっており、被験者３の荷重テンプレートとのユークリッド距離が他の被験者よりも大幅に短くなっている。よって、被験者３が特定され、被験者３が正しく認証されていることが分かる。
【０１４３】
図２９においては、図２８に示す結果を用いて順位付けが行われている。被験者３の平均順位は、１．３７５であり、他の被験者に比べて平均順位が大幅に高いため、被験者３が特定される。よって、被験者３が正しく認証されていることが分かる。
【０１４４】
また、図２９の結果において第２の手法を用いて個人認証を行うと、被験者１のユークリッド距離が最小になった回数は第５歩及び第８歩の２回である。また、被験者２のユークリッド距離が最小になった回数は第２歩の１回である。また、被験者３のユークリッド距離が最小になった回数は第１，３，４，６，７歩の５回である。また、被験者４のユークリッド距離が最小になった回数は０回である。また、被験者５のユークリッド距離が最小になった回数は０回である。そのため、被験者３が特定される。よって、被験者３が正しく認証されていることが分かる。
【０１４５】
図３０は、第１の手法を用いた場合の認識率を示した表である。図３０の表の１〜１０行目は、それぞれ、被験者１〜被験者１０の荷重テンプレートが選択され、各升の数値は各被験者が特定人物として特定された回数を示している。例えば、１行目においては、被験者１の荷重テンプレートが選択され、被験者１が７００回特定され、他の被験者は全く特定されていないことが分かる。そのため、誤検出された回数は０回であり、認識率が１００％となっていることが分かる。なお、図３０の表では、図２７のフローチャートの１ループが１回とされている。また、以下に示す図３１〜３７の表も図２７のフローチャートの１ループが１回とされている。
【０１４６】
他の被験者についても、自己の荷重テンプレートが選択されている場合に、自己の特定回数が他の被験者の特定回数よりも大幅に大きく、正確に特定されていることが分かる。そして、全被験者の認識率の平均値が９６．９１％と高い数値が得られていることが分かる。
【０１４７】
図３１は、第２の手法を用いた場合の認識率を示した表である。なお、図３１では、１位になった回数に閾値が設けられていない。例えば、被験者３が１位になった回数が３回であり、他の被験者が１位になった歩数が２回以下である場合、閾値が設定されていなければ、被験者３が特定され、閾値が４に設定されていれば、被験者３は特定されない。
【０１４８】
図３１においても、図３０と同様、被験者の認識率の平均値が９８．１４％と高い数値が得られていることが分かる。
【０１４９】
図３２は、閾値を５に設定して第２の手法を用いた場合の認識率を示した表である。図３２においては、全被験者の認識率の平均値が８４．５％と図３１に比べて低くなっているが、これは閾値を高く設定したためである。一方、他人の欄に示す誤認率は図３１では１．８６％であるが、図３２では０．１７％と低くなっており、閾値を高く設定するほど、認証精度が高くなっていることが分かる。
【０１５０】
図３３は、閾値を６に設定して第２の手法を用いた場合の認識率を示した表である。図３４は、閾値を７に設定して第２の手法を用いた場合の認識率を示した表である。図３３においては全被験者の認識率が８４．５１％、図３４においては全被験者の認識率が７０．７１％と次第に低くなっているのは、図３３よりも図３４の方が閾値が高いためである。一方、図３３においては他人の欄に示す誤認率が０．０１％、図３４においては他人の欄に示す誤認率が０％となっており、閾値を高く設定するほど認証精度が高くなっていることが分かる。
【０１５１】
図３５〜図３７は、第３の手法を用いた場合の認識率を示した表である。なお、図３５では、平均順位に閾値が設けられていない。例えば、閾値として２が設定されている場合、被験者３の平均順位が最高であっても、被験者３の平均順位が２未満であると、被験者３は特定されない。図３５においては全被験者の認識率が９６．３１％と高い数値が得られていることが分かる。
【０１５２】
図３６は、閾値を２位に設定して第３の手法を用いた場合の認識率を示した表である。図３７は、閾値を１．５位に設定して第３の手法を用いた場合の認識率を示した表である。図３６においては全被験者の認識率が９０．００％、図３６においては全被験者の認識率が７８．５７％と次第に低くなっているのは、図３６よりも図３７の方が閾値が高いためである。一方、図３６においては他人の欄に示す誤認率が０．８４％、図３７においては他人の欄に示す誤認率が０．０１％となっており、閾値を高く設定するほど認証精度が高くなっていることが分かる。
【０１５３】
図３０、図３１、図３５の実験結果から分かるように、閾値を設定しない場合は、同様の認証精度が得られている。
【０１５４】
図３８は、第１〜第３の手法の実験結果を比較した表である。図３８においては、１０人の被験者の荷重テンプレートを作成し、各被験者の左右４歩の合計８歩の荷重情報と各被験者の荷重テンプレートとのユークリッド距離に基づいた第１〜第３の手法が実行されている。
【０１５５】
一方、第１の手法では９６．９％と高い認識率が得られていることが分かる。また、第２、第３の手法では誤認率が共に０％と低い誤認率が得られていることが分かる。なお、ＮＮ手法の欄は、１０人の被験者の１歩の荷重情報からニューロモデルを生成し、このニューロモデルを用いて、各被験者の認識率及び誤認率を求めた場合を示している。この結果から分かるように、荷重情報を１歩とした場合、８歩とした第１〜第３の手法に比べて、誤認率が高くなっており、複数歩の荷重情報を採用した方が認証精度が高くなっていることが分かる。
【０１５６】
以上説明したように、実施の形態３による個人認証システムによれば、左右の荷重情報を区別した認証処理が行われ、土踏まず領域が更に２つの領域に区画されているため、判定精度を高くすることができる。また、ユークリッド距離に基づいた認証処理が行われているため、処理コストの低下を図りつつ、制度の良い認証処理を実現することができる。
【０１５７】
なお、実施の形態３では判定部２２０ｂはユークリッド距離を採用したが、これに限定されず、実施の形態１，２と同様、ニューロモデルを採用してもよい。また、実施の形態１，２において、判定部２２０ａ，２２０ｂは、ニューロモデルを用いて特定する手法を採用したが、これに限定されず、実施の形態３と同様、ユークリッド距離を用いて特定する手法を採用してもよい。この場合、左右の足を区別した荷重情報を採用すると共に、左右の足を区別した荷重テンプレートを採用すればよい。
【０１５８】
また、実施の形態３において、荷重情報として、時間Ｔ２〜Ｔ４、ピーク値Ｐ１〜Ｐ４に代えて、実施の形態１，２で採用された荷重情報を採用してもよい。また、実施の形態１，２において、実施の形態３で採用された時間Ｔ２〜Ｔ４、ピーク値Ｐ１〜Ｐ４を荷重情報として採用してもよい。
【０１５９】
また、実施の形態３においては、計測部１００ｂは、接触荷重分布センサ式のものが採用されているが、これに限定されず、実施の形態２に示すようなチューブ式のものを採用してもよい。この場合、各領域ＤＯＭ１〜ＤＯＭ４の荷重情報を得るために、４本のチューブを平行に配設すればよい。また、接触荷重分布センサを中敷きの全域に取り付けることに代えて、各領域ＤＯＭ１〜ＤＯＭ４の一部の領域に点状又は面状に取り付けても良い。
【０１６０】
なお、上記実施の形態１、３においては、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を領域毎の荷重情報として採用されているが、本発明はこれに限定されず、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移を領域毎の荷重情報として採用してもよい。
【０１６１】
図３９は、各領域の所定の位置の荷重の時間的推移を領域毎の荷重情報とする場合の説明図である。図３９に示すように、荷重情報生成部２１０は、図２４と同様にしてつま先領域ＤＯＭ１〜かかと領域ＤＯＭ４を抽出し、各領域の所定の位置ＰＤ１〜ＰＤ４における荷重の時間的推移を示す波形から荷重情報を生成すればよい。この場合、荷重情報としては、実施の形態１〜３のいずれかによるものを採用すればよい。
【０１６２】
また、荷重情報生成部２１０は、つま先領域ＤＯＭ１〜かかと領域ＤＯＭ４のそれぞれの例えば重心や荷重が最もかかる位置等を位置ＰＤ１〜ＰＤ４として採用すればよい。また、荷重情報生成部２１０は、足裏を複数の領域に分けることなく、位置ＰＤ１〜ＰＤ４を特定してもよい。この場合、荷重情報生成部２１０は、足跡領域ＯＬ２に外接矩形ＯＬ４を当てはめ、この外接矩形ＯＬ４の長辺を所定の比率で４分割して短辺と平行に４本の直線ＬＨＡ〜ＬＨＤを引き、直線ＬＨＡ〜ＬＨＤを直線毎に定められた所定の比率で内分した点を位置ＰＤ１〜ＰＤ４として特定すればよい。
【図面の簡単な説明】
【０１６３】
【図１】本発明の実施の形態１による個人認証システムの全体構成図を示している。
【図２】荷重分布画像を示した図である。
【図３】図１に示す個人認証システムのブロック図を示している。
【図４】合成荷重分布画像を示した図である。
【図５】第１〜第３の荷重情報を示したグラフであり、（ａ）は第１の荷重情報を示し、（ｂ）は第２の荷重情報を示し、（ｃ）は第３の荷重情報を示している。
【図６】本個人認証システムで採用されるニューロモデルを示した図である。
【図７】本ニューロモデルを構成する各ノードの機能の説明図である。
【図８】本個人認証システムの動作を示すフローチャートである。
【図９】ニューロモデルの生成処理を示すフローチャートである。
【図１０】ニューロモデルの係数の修正処理の説明図である。
【図１１】実施の形態２による個人認証システムの全体構成図を示している。
【図１２】荷重測定装置の外観斜視図である。
【図１３】空圧センサの等価回路を示している。
【図１４】計測データを示したグラフであり、（ａ）はかかと領域を示し、（ｂ）は土踏まず領域を示し、（ｃ）はかかと領域を示している。
【図１５】図１４（ａ）〜（ｃ）に示すグラフを重ね合わせて表示したグラフである。
【図１６】学習用データとして用いられた特定人物Ｐ１〜Ｐ５の各々の５回分の荷重情報を示した表である。
【図１７】図１６に示す１行目の１１個のデータを学習用データとしてニューロモデルに入力したときの、ニューロモデルの各係数の修正回数と、出力値との関係を示した表である。
【図１８】ニューロモデルに入力された５回分の荷重情報のうち、特定人物Ｐ１〜Ｐ５の１回分の荷重情報を示した表である。
【図１９】図１８の表に示す荷重情報をニューロモデルに入力したときの特定人物Ｐ１〜Ｐ５毎の出力値を示した表である。
【図２０】学習用データとして用いられた荷重情報以外の残り５回分の荷重情報をニューロモデルに入力したときの、特定人物Ｐ１〜Ｐ５が認識されたか否かの認識率を示した表である。
【図２１】特定人物Ｐ１〜Ｐ５の身長（ｃｍ）及び体重（ｋｇ）を示す表である。
【図２２】実施の形態３による計測部の外観構成図を示している。
【図２３】計測部から出力される合成荷重分布画像を示している。
【図２４】４分割された合成荷重分布画像を示している。
【図２５】各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形の一例を示した図である。
【図２６】実施の形態３における荷重情報を示すグラフである。
【図２７】実施の形態３による実験の流れを示すフローチャートである。
【図２８】被験者の人数を５人とし、第１の手法を採用した場合の実験結果を示した表である。
【図２９】被験者の人数を５人とし、第３の手法を採用した場合の実験結果を示した表である。
【図３０】第１の手法を用いた場合の認識率を示した表である。
【図３１】第２の手法を用いた場合の認識率を示した表である。
【図３２】閾値を５に設定して第２の手法を用いた場合の認識率を示した表である。
【図３３】閾値を６に設定して第２の手法を用いた場合の認識率を示した表である。
【図３４】閾値を７に設定して第２の手法を用いた場合の認識率を示した表である。
【図３５】第３の手法を用いた場合の認識率を示した表である。
【図３６】第３の手法を用いた場合の認識率を示した表である。
【図３７】第３の手法を用いた場合の認識率を示した表である。
【図３８】第１〜第３の手法の実験結果を比較した表である。
【図３９】各領域の所定の位置の荷重の時間的推移を領域毎の荷重情報とする場合の説明図である。
【符号の説明】
【０１６４】
１０ａ 荷重測定装置
１０ 接触荷重分布センサ
１１ 載置部
２１，２１ａ 計測制御装置
２２ 演算装置
１００，１００ａ 計測部
１１１〜１１３ 空圧センサ
１１４，１１５ スペーサ
２００ 制御部
２１０，２１０ａ 荷重情報生成部
２２０，２２０ａ 判定部
２３０ モデル記憶部
２４０ モデル生成部
Ｄ１１ つま先領域
Ｄ１２ 土踏まず領域
Ｄ１３ かかと領域
Ｌ１ 入力層
Ｌ２ 中間層
Ｌ３ 出力層
ＴＵ１，ＴＵ２，ＴＵ３ チューブ
【技術分野】
【０００１】
本発明は、認証対象人物が特定人物であるか否かの判定を行う個人認証システムに関するものである。
【背景技術】
【０００２】
バイオメトリクス認証の分野においては、従来から広く用いられている指紋及び網膜といった静的な情報ばかりでなく、動きを伴う筆跡や歩行などの動的な情報から人物を認証する研究も進められており、その中でも、歩行パターンによる認証は、物理的負担を軽減できる手法として注目されている。
【０００３】
例えば、特許文献１では、歩いている利用者が所持する携帯機器が、歩行時に発生する水平方向の振動情報を加速度波形信号として検出し、この加速度波形信号を離れた場所にある解析機器に送信し、解析機器が、受信した加速度波形信号に基づいて加速度波形の自己相関関数を算出し、この自己相関関数を記憶手段に予め登録されている利用者毎の基準の自己相関関数と比較照合して、個人認証を行う個人認証装置が開示さている。
【特許文献１】特開２００１−１９０５２７号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、特許文献１の手法では、利用者は加速度センサを備える携帯電話を持つ必要があり、煩わしいという問題がある。
【０００５】
本発明の目的は、利用者への煩わしさを極力低くしつつ、精度良く個人認証を行うことができる個人認証システムを提供することである。
【課題を解決するための手段】
【０００６】
（１）本発明による個人認証システムは、認証対象人物が特定人物であるか否かの判定を行う個人認証システムであって、人物の足裏の荷重を計測する計測手段と、前記計測手段により計測された荷重から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する荷重情報生成手段と、前記特定人物の荷重情報に基づいて予め作成され、前記認証対象人物が前記特定人物であるか否かを判定する際に用いられる判定情報を記憶する記憶手段と、前記荷重情報生成手段により生成された前記認証対象人物の荷重情報と、前記記憶手段に記憶された判定情報とから、前記認証対象人物が前記特定人物であるか否かを判定する判定手段とを備えることを特徴とする。
【０００７】
この構成によれば、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報が生成され、この荷重情報と記憶手段に予め記憶された判定情報とから、認証対象人物が特定人物であるか否かが判定される。すなわち、ユーザは、歩行時に測定手段に足を載置するといった簡単な動作を行うだけで個人認証が行われるため、ユーザに煩わしさを与えることなく、個人認証を行うことができる。
【０００８】
（２）前記荷重情報は、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を示す領域毎の荷重情報を含むことが好ましい。
【０００９】
この構成によれば、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を示す情報をから、認証対象人物が特定人物であるか否かの判定が行われるため、判定精度を高めることができる。
【００１０】
（３）前記領域毎の荷重情報は、左足の荷重情報と右足の荷重情報とを含むことが好ましい。
【００１１】
この構成によれば、左足の荷重情報と右足の荷重情報とを区別して認証対象人物が特定人物であるか否かの判定が行われるため、判定精度をより高めることができる。
【００１２】
（４）前記足裏の複数の領域は、かかと領域と、土踏まず領域と、つま先領域とを含むことが好ましい。
【００１３】
この構成によれば、各人物固有の特徴が良く表れるかかと領域と、土踏まず領域と、つま先領域との荷重情報を用いて認証対象人物が特定人物であるか否かの判定が行われるため、判定制度をより高めることができる。
【００１４】
（５）前記土踏まず領域は、第１の土踏まず領域と、前記第１の土踏まず領域とは異なる第２の土踏まず領域とを含むことが好ましい。
【００１５】
この構成によれば、かかと領域と土踏まず領域とつま先領域のうち、特に各人物固有の特徴が良く現れる土踏まず領域を第１及び第２の土踏まず領域に分け、第１及び第２の土踏まず領域の荷重情報を用いて認証対象人物が特定人物であるか否かの判定が行われるため、判定制度をより高めることができる。
【００１６】
（６）前記領域毎の荷重情報は、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移であることが好ましい。
【００１７】
この構成によれば、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移が領域毎の荷重情報として算出されるため、算出処理の簡素化を図ることができる。
【００１８】
（７）前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を学習用データとして用いてニューラルネットワークモデルを生成し、このニューラルネットワークモデルを前記判定情報とするモデル生成手段を更に備え、前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報を前記ニューラルネットワークモデルに入力することで得られる出力値から、前記認証対象人物が前記特定人物であるか否かを判定することが好ましい。
【００１９】
この構成によれば、計測手段により計測された特定人物の足裏の領域毎の荷重情報を学習用データとして用いてニューラルネットワークモデルが生成され、計測手段により計測された認証対象人物の足裏の領域毎の荷重情報を、生成されたニューラルネットワークモデルに入力することで得られる出力値から、認証対象人物が特定人物であるか否かが判定されているため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。また、ニューラルネットワークモデルの学習回数を増大させることで、上記判定精度をより高めることが可能となる。
【００２０】
（８）前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を用いて特定人物の基準荷重情報を生成し、この基準荷重情報を前記判定情報とする基準荷重情報生成手段を更に備え、前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報と前記基準荷重情報とのユークリッド距離に基づいて、前記認証対象人物が前記特定人物であるか否かを判定することが好ましい。
【００２１】
この構成によれば、特定人物の足裏の領域毎の荷重情報である基準荷重情報と、認証対象人物の足裏の領域毎の荷重情報とのユークリッド距離に基づいて、認証対象人物が特定人物であるか否かが判定されているため、処理コストの低下を図りつつ、精度の良い認証処理を実現することができる。
【００２２】
（９）また、前記認証対象人物は複数存在し、前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離の合計値を前記認証対象人物毎に求め、前記合計値が最小となる認証対象人物を前記特定人物と判定することが好ましい。
【００２３】
この構成によれば、特定人物であるか否かの判定を精度良く行うことができる。
【００２４】
（１０）また、前記認証対象人物は複数存在し、前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、どの認証対象人物が前記特定人物に該当するかを判定し、最も多く特定人物に該当すると判定した認証対象人物を前記特定人物と判定することが好ましい。
【００２５】
この構成によれば、特定人物であるか否かの判定を精度良く行うことができる。
【００２６】
（１１）前記認証対象人物は複数存在し、前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、ユークリッド距離が小さい順に順位付けし、各認証対象人物の平均順位を求め、前記平均順位が最大となる認証対象人物を前記特定人物と判定することが好ましい。
【００２７】
この構成によれば、特定人物であるか否かの判定を精度良く行うことができる。
【００２８】
（１２）前記荷重情報は、前記領域毎の荷重の時間的推移を示す波形の特徴を表す情報であることが好ましい。
【００２９】
この構成によれば、領域毎の荷重の時間的推移を示す波形の特徴を表す情報が、荷重情報として採用されるため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３０】
（１３）前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域の荷重の最大値と、対応する領域が所定の基準時刻から前記載置部に踏み込まれるまでの時間と、対応する領域の荷重が前記基準時刻から最大値になるまでの時間と、対応する領域が前記基準時刻から前記載置部より離れるまでの時間とを含むことが好ましい。
【００３１】
この構成によれば、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３２】
（１４）前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域が前記載置部に踏み込み込まれている踏み込み期間内における最大の振幅値と、対応する領域が前記載置部から踏み抜かれている踏み抜き期間内における最大の振幅値と、前記踏み込み期間内において所定の基準時刻から最大の振幅値になるまでの時間と、前記踏み抜き期間内において前記基準時刻から最大の振幅値になるまでの時間とを含むことが好ましい。
【００３３】
この構成によれば、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３４】
（１５）前記領域毎の荷重情報は、対応する領域の荷重の最大値と、所定の基準時刻から最大値になるまでの時間とを含むことが好ましい。
【００３５】
この構成によれば、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００３６】
（１６）前記計測手段は、人物の足裏が載置され、この足裏の荷重分布を測定する接触荷重分布センサから構成されることが好ましい。
【００３７】
この構成によれば、計測手段が荷重分布センサにより構成されているため、荷重情報を精度良く算出することができる。
【００３８】
（１７）前記計測手段は、前記認証対象人物の足裏が載置され、内部の空圧が変化する複数のチューブと、各チューブの内部の圧力変化を測定する空圧センサとを備えることが好ましい。
【００３９】
この構成によれば、複数のチューブと、各チューブの内部の圧力変化を測定する空圧センサといった簡便な構成で計測手段が構成されているため、低コスト化を図ることができる。
【００４０】
（１８）前記計測手段は、前記認証対象人物により着用される靴に取り付けられていることが好ましい。
【００４１】
この構成によれば、計測手段が認証対象人物により着用される靴に取り付けられているため、複数歩の認証対象人物の荷重情報を容易に測定することができる。
【発明の効果】
【００４２】
本発明によれば、ユーザは、測定手段に足を載置するといった簡単な動作を行うだけで個人認証が行われるため、ユーザに煩わしさを与えることなく、個人認証を行うことができる。
【発明を実施するための最良の形態】
【００４３】
（実施の形態１）
図１は、本発明の実施の形態１による個人認証システムの全体構成図を示している。図１に示すように本個人認証システムは、接触荷重分布センサ１０、計測制御装置２１、及び演算装置２２を備えている。接触荷重分布センサ１０は、横方向にＸ個、縦方向にＹ個のマトリックス状に配列された複数の圧電素子から構成され、人物の足裏が載置される載置部１１を備え、載置部１１に載置された足裏の各位置の荷重を計測する。各圧電素子は、載置された足裏からの荷重を受け、受けた荷重の大きさに応じたレベルの電気信号を計測制御装置２１に出力する。
【００４４】
計測制御装置２１は、各圧電素子から出力されるアナログの電気信号をデジタルの電気信号に変換し、このデジタルの電気信号を各圧電素子の位置に従ってＸ行×Ｙ列にマトリックス状に配列し、載置部１１に載置された足裏の荷重分布を示す荷重分布画像を生成し、演算装置２２に出力する。ここで、計測制御装置２１は、接触荷重分布センサ１０により荷重が検出されてから荷重が検出されなくなるまで一定の時間間隔で荷重分布画像を生成し、複数枚の荷重分布画像を演算装置２２に出力する。
【００４５】
図２は、計測制御装置２１により生成された荷重分布画像を示した図である。図２に示す荷重分布画像において、各画素は各圧電素子に対応し、輝度が明るくなるにつれて荷重が大きく、輝度が暗くなるにつれて荷重が小さいことを示している。図２においては、足裏中央の土踏まず領域は暗く、足裏後端のかかと領域及び土踏まず領域の前側のつま先領域が明るくなっているため、これらの領域に高い荷重が加わっていることが分かると共に、足裏のほぼ全面が載置部１１に載置されていることが分かる。演算装置２２は、一般的なパーソナルコンピュータから構成され、個人認証システムの全体を制御する。
【００４６】
図３は、図１に示す個人認証システムのブロック図を示している。図３に示すように本個人認証システムは、計測部１００及び制御部２００を備えている。計測部１００は、図１に示す接触荷重分布センサ１０及び計測制御装置２１から構成され、一定の時間間隔毎に荷重分布画像を生成し、制御部２００に出力する。制御部２００は、図１に示す演算装置２２から構成され、荷重情報生成部２１０、判定部２２０、モデル記憶部２３０、及びモデル生成部２４０の機能を備えている。これらの機能は、演算装置２２が、ハードディスクに記憶され、コンピュータを制御部２００として機能させるための制御プログラムを実行することで実現される。
【００４７】
荷重情報生成部２１０は、計測部１００から出力された荷重分布画像から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する。ここで、荷重情報には、つま先領域における荷重の時間的推移を示す第１の荷重情報と、土踏まず領域における荷重の時間的推移を示す第２の荷重情報と、かかと領域における荷重の時間的推移を示す第３の荷重情報とが含まれる。ここで、第１の荷重情報は、かかと領域の荷重の時間的推移を示す波形の特徴を表す情報であり、第２の荷重情報は、土踏まず領域の荷重の時間的推移を示す波形の特徴を表す情報であり、第３の荷重情報は、つま先領域の荷重の時間的推移を示す波形の特徴を表す情報である。
【００４８】
具体的には、荷重情報生成部２１０は、以下のようにして第１〜第３の荷重情報を生成する。まず、荷重情報生成部２１０は、計測部１００から一定の時間間隔で出力された各荷重分布画像において、輝度を２５６階調（８ビット）に分割したモノクロ画像として設定し、荷重がかかっている部分は白（２５５）に近くなり、荷重がかかってない部分は黒（０）にした各荷重分布画像を重畳することで各荷重分布画像を１枚の合成荷重分布画像に合成する。
【００４９】
次に、荷重情報生成部２１０は、この合成荷重分布画像において荷重がかかっている部分の画素を足裏を示す足裏領域として抽出し、この足裏領域に外接矩形を設定すると共に、足裏領域の形状から外接矩形の長手方向においてつま先の方向を判定し、この外接矩形の長手方向の一辺をつま先の方向から順に、予め定められた比率で３分割することで足裏領域をつま先領域、土踏まず領域及びかかと領域の３つの領域に分割する。
【００５０】
図４は、荷重情報生成部２１０が生成する合成荷重分布画像を示した図である。なお、図４に示す荷重分布画像は、足裏領域に設定した外接矩形の部分のみを示している。荷重情報生成部２１０は、合成荷重分布画像に外接矩形ＳＱ１を設定すると共に、足裏領域の形状が左側に向かうにつれて面積が大きくなっているため、外接矩形ＳＱ１の長手方向の
一辺である辺Ｈ１の左側がつま先側であると判定し、辺Ｈ１を左側から順に「１／２」：「１／４」：「１／４」の比率で３分割することで、外接矩形を左、中、右の３つの矩形領域ＳＱ１１〜ＳＱ１３に分割し、矩形領域ＳＱ１１内に含まれる足裏領域をつま先領域Ｄ１１とし、矩形領域ＳＱ１２に含まれる足裏領域を土踏まず領域Ｄ１２とし、矩形領域ＳＱ１３に含まれる足裏領域をかかと領域Ｄ１３として足裏領域を３分割する。
【００５１】
次に、荷重情報生成部２１０は、計測部１００から一定の時間間隔毎に出力された荷重分布画像毎に、かかと領域Ｄ１３に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、かかと領域Ｄ１３の荷重の時間的推移を求める。次に、荷重情報生成部２１０は、この時間的推移を用いて、かかと領域Ｄ１３の荷重の最大値Ａと、かかと領域Ｄ１３が載置部１１に踏み込まれた時刻（基準時刻Ｔ０）から、かかと領域Ｄ１３の荷重が最大値Ａとなるまでの時間Ｔ１と、基準時刻Ｔ０からかかと領域Ｄ１３が載置部１１から離れるまでの時間Ｔ２とを特定し、これら最大値Ａ、時間Ｔ１，Ｔ２を第１の荷重情報として生成する。
【００５２】
次に、荷重情報生成部２１０は、計測部１００から一定の時間間隔毎に出力された荷重分布画像毎に、土踏まず領域Ｄ１２に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、土踏まず領域Ｄ１２の荷重の時間的推移を求める。次に、荷重情報生成部２１０は、この時間的推移を用いて、土踏まず領域Ｄ１２の荷重の最大値Ｂと、基準時刻Ｔ０から土踏まず領域Ｄ１２が載置部１１に踏み込まれるまでの時間Ｔ３と、基準時刻Ｔ０から土踏まず領域Ｄ１２の荷重が最大値Ｂとなるまでの時間Ｔ４と、基準時刻Ｔ０から土踏まず領域Ｄ１２が載置部１１から離れるまでの時間Ｔ５とを特定し、これら最大値Ｂ、時間Ｔ３〜Ｔ５を第２の荷重情報として生成する。
【００５３】
次に、荷重情報生成部２１０は、計測部１００から一定の時間間隔毎に出力された荷重分布画像毎に、つま先領域Ｄ１１に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、つま先領域Ｄ１１の荷重の時間的推移を求める。次に、荷重情報生成部２１０は、この時間的推移を用いて、つま先領域Ｄ１１の荷重の最大値Ｃを特定し、基準時刻Ｔ０からつま先領域Ｄ１１が載置部１１に踏み込まれるまでの時間Ｔ６と、基準時刻Ｔ０からつま先領域Ｄ１１の荷重が最大値Ｃとなるまでの時間Ｔ７と、基準時刻Ｔ０からつま先領域Ｄ１１が載置部１１から離れるまでの時間Ｔ８とを特定し、これら最大値Ｃ、時間Ｔ６〜Ｔ８を第３の荷重情報として生成する。
【００５４】
図５は、第１〜第３の荷重情報を示したグラフであり、（ａ）は第１の荷重情報を示し、（ｂ）は第２の荷重情報を示し、（ｃ）は第３の荷重情報を示している。図５（ａ）〜（ｃ）において、縦軸は階調値の総和を示し、横軸は時間（秒）を示している。図５（ａ）〜（ｃ）に示すように、いずれの領域も山状に階調値の総和が変化しており、最大値に関しては、つま先領域Ｄ１１が最も大きく、次に、かかと領域Ｄ１３が大きく、土踏まず領域Ｄ１２が最も小さいことが分かる。また、立ち上がりに関しては、かかと領域Ｄ１３が最も早く立ち上がっており、つま先領域Ｄ１１及び土踏まず領域Ｄ１２はほぼ同時に立ち上がっているっていることが分かる。また、立ち下がりに関しては、かかと領域Ｄ１３が最も早く、次に、土踏まず領域Ｄ１２が早く、つま先領域Ｄ１１が最も遅いことが分かる。
【００５５】
なお、つま先領域Ｄ１１が載置部１１に踏み込まれる基準時刻Ｔ０、土踏まず領域Ｄ１２が載置部１１に踏み込まれる時刻、及びかかと領域Ｄ１３が載置部１１に踏み込まれる時刻は、それぞれ階調値の総和が最大値Ａ〜Ｃの５％まで上昇したときの時刻が好ましい。また、つま先領域Ｄ１１が載置部１１から離れる時刻、土踏まず領域Ｄ１２が載置部１１から離れる時刻、及びかかと領域Ｄ１３が載置部１１から離れる時刻は、それぞれ階調値の総和が最大値Ａ〜Ｃの５％まで下降したときの時刻が好ましい。
【００５６】
図３に戻り、判定部２２０は、荷重情報生成部２１０により生成された認証対象人物の荷重情報と、モデル記憶部２３０に記憶された判定情報とから、認証対象人物が特定人物であるか否かを判定する。すなわち、判定部２２０は、荷重情報生成部２１０により生成された認証対象人物の第１〜第３の荷重情報が０〜１の範囲内に収まるように正規化し、モデル記憶部２３０に記憶されたニューラルネットワークモデル（以下、「ニューロモデル」と称する。）に入力することで得られる出力値から、認証対象人物が特定人物であるか否かを判定する。
【００５７】
図６は、本個人認証システムで採用されるニューロモデルを示した図である。図６に示すように、このニューロモデルは、入力層Ｌ１、中間層Ｌ２、及び出力層Ｌ３から構成されている。入力層Ｌ１は、ノードＮ１０１、Ｎ１０２，・・・，Ｎ１１０，Ｎ１１１からなる１１個のノードを備えている。ノードＮ１０１〜Ｎ１１１には、最大値Ａ〜Ｃ、時間Ｔ１〜Ｔ８が入力される。すなわち、入力層Ｌ１には１１個のデータが入力される。
【００５８】
中間層Ｌ２は、ノードＮ２０１，Ｎ２０２，・・・，Ｎ２１４，Ｎ２１５からなる１５個のノードを備えている。中間層Ｌ２の各ノードは、入力層Ｌ１の各ノードとネットｎｅを介して接続されている。出力層Ｌ３は、ノードＮ３１，Ｎ３２，・・・，Ｎ３５からなる５個のノードを備えている。本ニューロモデルは、認証対象人物が５人の特定人物Ｐ１〜Ｐ５のうちいずれの人物に該当するかを判定するためのモデルであるため、出力層Ｌ３の各ノードは、５人の特定人物Ｐ１〜Ｐ５に対応している。出力層Ｌ３の各ノードは中間層Ｌ２の各ノードとネットｎｅを介して接続されている。
【００５９】
図７は、本ニューロモデルを構成する各ノードの機能の説明図である。図７に示すノードＮは、図６に示すノードのうち中間層Ｌ２又は出力層Ｌ３に属するある１つのノードを示している。Ｘ１〜Ｘｎのｎ個の入力値はそれぞれｎ個のネットｎｅの係数ｗ１〜ｗｎと乗じられてノードＮに入力され、ノードＮはｕ＝Ｘ１・ｗ１＋Ｘ２・ｗ２＋・・・＋Ｘｎ・ｗｎを求め、求めたｕを予め定められたバイアス値と比較し、ｕ≧バイアス値の場合は、ｕを式（１）に示すシグモイド関数に入力し、得られた値を出力値として、ネットｎｅで連結されたノードＮに出力する。一方、ノードＮは、ｕ＜バイアス値の場合、連結されたノードＮに出力値を出力しない。
【００６０】
ｆ（ｕ）＝１／（１＋ｅｘｐ（−ｕ））・・・（１）
なお、入力層Ｌ１に属する各ノードＮは、１つの入力値が入力され、この入力値を式（１）のｕに代入することで出力値を算出し、連結された中間層Ｌ２の各ノードに出力する。
【００６１】
そして、判定部２２０は、入力層Ｌ１に認証対象人物の１１個のデータからなる荷重情報が入力されると、出力層Ｌ３の各ノードから出力値を出力し、ノードＮ３１の出力値が、他のノードＮ３２〜Ｎ３５から出力される出力値の最大値に比べて一定の値以上大きい場合は、特定人物Ｐ１の足裏が載置部１１に載置されたと判定し、ノードＮ３２の出力値が他のノードＮ３１，Ｎ３３〜Ｎ３５から出力される出力値の最大値に比べて一定の値以上大きい場合は、特定人物Ｐ２の足裏が載置部１１に載置されたと判定するというようにして、載置部１１に足裏を載置した認証対象人物が特定人物であるか否かを判定する。
【００６２】
すなわち、判定部２２０は、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値以上である場合、最大の出力値を出力したノードに対応付けられた特定人物が認証対象人物であると判定し、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値未満である場合、認証対象人物は、特定人物Ｐ１〜Ｐ５のいずれにも該当しないと判定する。
【００６３】
モデル生成部２４０は、荷重情報生成部２１０により生成された特定人物Ｐ１〜Ｐ５の第１〜第３の荷重情報を学習用データとして用いてニューロモデルを生成し、このニューロモデルを判定情報としてモデル記憶部２３０に記憶する。
【００６４】
ここで、モデル生成部２４０は、計測部１００に特定人物Ｐ１〜Ｐ５の足裏の荷重の測定を例えば５回実行させ、荷重情報生成部２１０に特定人物Ｐ１〜Ｐ５の各々の５回分の荷重情報を生成させ、この荷重情報を学習用データとして初期ニューロモデルに入力し、出力層Ｌ３の各ノードから出力される出力値が教師データに近づくように初期ニューロモデルの各係数を修正し、ニューロモデルを生成する。
【００６５】
なお、初期ニューロモデルは、図６に示すニューロモデルと同一構成であって、係数に所定のデフォルト値が設定されたモデルである。教師データは、５ビットの２進数からなるデータであり、特定人物Ｐ１の教師データは「１，０，０，０，０」で表され、特定人物Ｐ２の教師データは「０，１，０，０，０」で表され、特定人物Ｐ３の教師データは「０，０，１，０，０」で表され、特定人物Ｐ４の教師データは「０，０，０，１，０」で表され、特定人物Ｐ５の教師データは「０，０，０，０，１」で表される。
【００６６】
すなわち、モデル生成部２４０は、特定人物Ｐ１の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「１，０，０，０，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ２の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，１，０，０，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ３の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，０，１，０，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ４の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，０，０，１，０」が出力されるようにニューロモデルの係数を修正し、特定人物Ｐ５の荷重情報がニューロモデルに入力された場合は、ノードＮ３１〜Ｎ３５から「０，０，０，０，１」が出力されるようにニューロモデルの係数を修正する。モデル記憶部２３０は、不揮発性の記憶装置から構成され、モデル生成部２４０で生成されたニューロモデルを記憶する。
【００６７】
次に、本個人認証システムの動作について説明する。図８は、本個人認証システムの動作を示すフローチャートである。まず、ステップＳ１において、荷重情報生成部２１０は、載置部１１に認証対象人部の足裏が載置され、計測部１００により荷重分布画像が生成されると（ステップＳ１でＹＥＳ）、つま先領域Ｄ１１における荷重の時間的推移を示す第１の荷重情報と、土踏まず領域Ｄ１２における荷重の時間的推移を示す第２の荷重情報と、かかと領域Ｄ１３における荷重の時間的推移を示す第３の荷重情報とからなる荷重情報を生成する（ステップＳ２）。一方、荷重情報生成部２１０は、載置部１１に認証対象人部の足裏が載置されない場合（ステップＳ１でＮＯ）、処理をステップＳ１に戻す。
【００６８】
ステップＳ３において、判定部２２０は、モデル記憶部２３０からニューロモデルを読み出し、このニューロモデルにステップＳ２で生成された第１〜第３の荷重情報を入力する。ここで、判定部２２０は、図６に示すノードＮ１０１〜Ｎ１１１に、最大値Ａ〜Ｃ、時間Ｔ１〜Ｔ８を０〜１の範囲で正規化した値を入力する。
【００６９】
ステップＳ４において、判定部２２０は、ノードＮ３１〜Ｎ３５の出力値を算出し、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値以上である場合、最大の出力値を出力したノードに対応付けられた特定人物が認証対象人物であると判定し、出力層Ｌ３を構成するノードＮ３１〜Ｎ３５の最大の出力値と２番目に大きな出力値との差が一定の値未満である場合、認証対象人物は、特定人物
Ｐ１〜Ｐ５のいずれにも該当しないと判定する。
【００７０】
次に、モデル生成部２４０によるニューロモデルの生成処理について説明する。図９は、ニューロモデルの生成処理を示すフローチャートである。まず、ステップＳ１１において、モデル生成部２４０は、計測部１００に特定人物Ｐ１〜Ｐ５の各々の足裏の荷重の時間的推移を５回測定させる。次に、モデル生成部２４０は、各特定人物の１回毎の足裏の荷重の時間的推移から５個の荷重情報を学習用データとして生成する（ステップＳ１２）。ここで、特定人物Ｐ１の５個の学習用データをＥ１１〜Ｅ１５（Ｅ１１〜Ｅ１５は各々第１〜第３の荷重情報、すなわち１１個のデータを含む）、特定人物Ｐ２の５個の学習用データをＥ２１〜Ｅ２５、特定人物Ｐ３の５個の学習用データをＥ３１〜Ｅ３５、特定人物Ｐ４の５個の学習用データをＥ４１〜Ｅ４５、特定人物Ｐ５の５個の学習用データをＥ５１〜Ｅ５５とする。
【００７１】
次に、モデル生成部２４０は、特定人物Ｐ１〜Ｐ５のうち処理対象となる特定人物である注目特定人物を示すカウント値ｋに０を代入し、カウント値ｋを初期化する（ステップＳ１３）。次に、モデル生成部２４０は、特定人物Ｐ１〜Ｐ５のうち一人の特定人物を注目特定人物として特定する（ステップＳ１４）。ここで、モデル生成部２４０は、例えば特定人物Ｐ１〜Ｐ５の順で注目特定人物を特定する。次に、モデル生成部２４０は、注目学習用データを示すカウント値ｔに０を代入し、カウント値ｔを初期化する（ステップＳ１５）。次に、モデル生成部２４０は、注目特定人物の５個の学習用データのうち処理対象となる学習用データである注目学習用データを特定する（ステップＳ１６）。ここで、モデル生成部２４０は、例えば学習用データＥ１１〜Ｅ１５、学習用データＥ２１〜Ｅ２５、学習用データＥ３１〜Ｅ３５、学習用データＥ４１〜Ｅ４５、学習用データＥ５１〜Ｅ５５の順で注目学習用データを特定する。
【００７２】
次に、モデル生成部２４０は、ニューロモデルに注目特定人物の注目学習用データを入力する（ステップＳ１７）。
【００７３】
次に、モデル生成部２４０は、ニューロモデルの係数の修正回数を示すカウント値ｓに０を代入し、カウント値ｓを初期化する（ステップＳ１８）。次に、モデル生成部２４０は、注目特定人物のノードＮ３１〜Ｎ３５からの出力値が、注目特定人物に対して定められた教師データとなるように、ニューロモデルの係数を修正する（ステップＳ１９）。
【００７４】
ここで、ニューロモデルの係数の修正処理について説明する。図１０は、ニューロモデルの係数の修正処理の説明図である。以下の説明では、特定人物Ｐ１が注目特定人物である場合を例に挙げている。まず、モデル生成部２４０は、学習用データＥ１１をノードＮ１０１〜Ｎ１１１に入力すると、ノードＮ２０１は、ｕ＝Ａ・ｗ１，１＋Ｂ・ｗ２，１＋Ｃ・ｗ３，１＋Ｔ１・ｗ４，１＋Ｔ２・ｗ５，１＋Ｔ３・ｗ６，１＋Ｔ４・ｗ７，１＋Ｔ５・ｗ８，１＋Ｔ６・ｗ９，１＋Ｔ７・ｗ１０，１＋Ｔ８・ｗ１１，１を算出し、中間層Ｌ２のノードＮ２０１に入力する。但し、Ａ〜Ｃ、Ｔ１〜Ｔ８は特定人物Ｐ１の学習用データＥ１１に含まれる１１個のデータを示し、係数ｗ１，１、ｗ２，１、・・・、ｗ１１，１は、入力層Ｌ１のノードＮ１０１〜Ｎ１１１と、中間層Ｌ２のノードＮ２０１とを繋ぐネットｎｅ１〜ｎｅ１１の係数を示している。
【００７５】
ノードＮ２０１は、ｕがバイアス値θ０より大きい場合は、ｕを式（１）に示すシグモイド関数に入力して出力値ｆ０を算出し、この出力値ｆ０を出力層Ｌ３の各ノードに出力する。中間層Ｌ２の他の各ノード及び出力層Ｌ３を構成する各ノードもノードＮ２０１と同様にして出力値を算出する。
【００７６】
次に、モデル生成部２４０は、式（２）を用いて、ノードＮ３１〜Ｎ３５からの出力値
と教師データとの自乗誤差Ｅを算出する。
【００７７】
Ｅ＝（１／２）・Σｋ＝１５（ｔｋ−Ｏｋ）２・・・（２）
例えば、ノードＮ３１〜Ｎ３５の出力値Ｏ１〜Ｏ５が（０．４５，０．６２３，０．４０６，０．２４５，０．２４４）であったとすると、この例では注目特定人物が特定人物Ｐ１であるため、教師データはｔｋ＝（１，０，０，０，０）であり、自乗誤差Ｅは、Ｅ＝（１／２）・（（０．４５−１）２＋（０．６２３−０）２＋（０．４０６−０）２＋（０．２４５−０）２＋（０．２４４−０）２）＝０．４８５となる。
【００７８】
そして、モデル生成部２４０は、自乗誤差Ｅが０に近づくように、すなわち、ノードＮ３１〜Ｎ３５の出力値Ｏ１〜Ｏ５が（１，０，０，０，０）となるように、式（３），（４）を用いて、各ネットｎｅの係数を修正する。
【００７９】
Δｗ（ｔ）＝−η・∂Ｅ／∂ｗ（ｔ）＋ａΔｗ（ｔ−１）・・・（３）
ｗ（ｔ＋１）＝ｗ（ｔ）＋Δｗ（ｔ）・・・（４）
但し、ｗは注目する注目ネットの係数を示し、ηは予め定められた学習定数であり、ａは予め定められた慣性項係数であり、ｗ（ｔ）は注目ネットの現在の係数を示し、ｗ（ｔ−１）は注目ネットの前回の係数を示し、ｗ（ｔ＋１）は注目ネットの修正後の係数を示す。
【００８０】
また、式（３）に示す∂Ｅ／∂ｗ（ｔ）は式（５），（６）で示される。
【００８１】
∂Ｅ／∂ｗｊ，ｋ（ｔ）＝（Ｏｋ−ｔｋ）・Ｏｋ・（１−Ｏｋ）・Ｏｊ・・・（５）
∂Ｅ／∂ｗｉ，ｊ（ｔ）＝Ｏｊ・（１−Ｏｊ）・Ｏｉ・Σｗｊ，ｋ・（Ｏｋ−ｔｋ）・Ｏｋ・（１−Ｏｋ）・・・（６）
但し、式（５）に示すｗｊ，ｋは注目ネットが中間層Ｌ２と出力層Ｌ３とを繋ぐネットである場合の注目ネットの係数を示し、式（６）に示すｗｉ，ｊは注目ネットが入力層Ｌ１と中間層Ｌ２とを繋ぐネットである場合の注目ネットの係数を示している。また、Ｏｋ（ｋ＝１〜５）はノードＮ３１〜Ｎ３５の出力値を示し、Ｏｊ（ｊ＝１〜１５）はノードＮ２０１〜Ｎ２１５の出力値を示し、Ｏｉ（ｉ＝１〜１１）はノードＮ１０１〜Ｎ１１１の出力値を示す。
【００８２】
図９に戻り、モデル生成部２４０は、カウント値ｓに１を加算し（ステップＳ２０）、カウント値ｓがｓ＝９５００となった場合（ステップＳ２１でＹＥＳ）、処理をステップＳ２２に進め、カウント値ｓが９５００未満である場合（ステップＳ２０でＮＯ）、処理をステップＳ１９に戻す。すなわち、モデル生成部２４０は、注目特定人物の注目学習用データを用いてステップＳ１９に示す係数の修正処理を９５００回繰り返し実行し、ニューロモデルを注目学習用データにより学習させる。なお、９５００回は一例であり、他の数値を採用してもよい。
【００８３】
ステップＳ２２において、モデル生成部２４０は、次の学習用データが注目学習用データであることを示すためにカウント値ｔに１を加算する。次に、ステップＳ２３において、モデル生成部２４０は、カウント値ｔがｔ＝５となった場合（ステップＳ２３でＹＥＳ）、すなわち、注目特定人物の学習用データの全てを注目学習用データとして特定した場合、処理をステップＳ２４に進め、注目特定人物において注目学習用データとして特定していない学習用データが存在する場合（ステップＳ２３でＮＯ）、処理をステップＳ１６に戻す。
【００８４】
次に、モデル生成部２４０は、次の特定人物が注目特定人物であることを示すために、カウント値ｋに１を加算し（ステップＳ２４）、カウント値ｋがｋ＝５になった場合（ス
テップＳ２５でＹＥＳ）、すなわち、特定人物Ｐ１〜Ｐ５の全てを注目特定人物として特定した場合、処理を終了し、カウント値ｋが５未満である場合（ステップＳ２５でＮＯ）、すなわち、特定人物Ｐ１〜Ｐ５のうち注目特定人物として特定していない特定人物が存在する場合、処理をステップＳ１４に戻す。以上により学習用データをニューロモデルに学習させ、ニューロモデルが生成される。
【００８５】
このように、本個人認証システムによれば、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報が生成され、この荷重情報とモデル記憶部２３０に判定情報として予め記憶されたニューロモデルとから、認証対象人物が特定人物であるか否かが判定される。すなわち、ユーザは、歩行時に載置部１１に足を載置するといった簡単な動作を行うだけで個人認証が行われるため、ユーザに煩わしさを与えることなく、個人認証を行うことができる。
【００８６】
また、各人物固有の特徴が良く表れるつま先領域Ｄ１１の荷重情報である第１の荷重情報と、土踏まず領域Ｄ１２の荷重情報である第２の荷重情報と、かかと領域Ｄ１３の荷重情報である第３の荷重情報とを用いて個人認証が行われるため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。
【００８７】
また、特定人物Ｐ１〜Ｐ５の第１〜第３の荷重情報をニューロモデルに入力することで得られる出力値から、認証対象人物が特定人物であるか否かが判定されているため、認証対象人物が特定人物であるか否かの判定を精度良く行うことができる。また、ニューラルネットワークモデルの学習回数を増大させることで、上記判定精度をより高めることが可能となる。
【００８８】
なお、上記実施の形態では、特定人物の人数を５人としたがこれに限定されず、６人以上、又は１〜４人としてもよい。この場合、特定人物の人数が１人の場合は出力層Ｌ３のノードの個数を１個、特定人物の人数が２人である場合は、出力層Ｌ３のノードの個数を２個とするようにして、特定人物の人数に応じてニューロモデルの出力層Ｌ３ノードの数を変更すればよい。また、上記実施の形態では、荷重情報を１１個のデータにより構成したがこれに限定されず、１０個以下のデータ或いは１２個以上のデータにより構成してもよい。この場合、荷重情報を構成するデータの個数に応じて入力層Ｌ１のノードの個数を変更すればよい。
【００８９】
（実施の形態２）
次に、本発明の実施の形態２による個人認証システムについて説明する。本個人認証システムは、計測部１００ａを接触荷重分布センサに代えて、以下に示す荷重測定装置により構成したことを特徴とする。なお、本実施の形態において、ブロック図及びフローチャートは実施の形態１のものと同様であるため、実施の形態１のものを用いて説明する。また、図３に示す括弧の符号は実施の形態２のものを示している。
【００９０】
図１１は、実施の形態２による個人認証システムの全体構成図を示している。図１１に示すように本個人認証システムは、荷重測定装置１０ａ、計測制御装置２１ａ及び演算装置２２を備えている。図１２は荷重測定装置１０ａの外観斜視図である。荷重測定装置１０ａは、３個の空圧センサ１１１〜１１３、３本のチューブＴＵ１〜ＴＵ３、２本のスペーサ１１４，１１５、及びマット１１６（載置部）を備えている。
【００９１】
チューブＴＵ１〜ＴＵ３は、マット１１６に載置される足裏の荷重に応じて内部の空圧が変化する円筒状のビニールチューブから構成され、マット１１６の上面と下面との間において、前方から順番に、チューブＴＵ１，ＴＵ２，ＴＵ３の順で長手方向が平行になるように所定間隔を設けて配列されている。チューブＴＵ１は、つま先領域Ｄ１１が載置され、チューブＴＵ２は土踏まず領域Ｄ１２が載置され、チューブＴＵ３はかかと領域Ｄ１３が載置される。スペーサ１１４は、円筒状の部材から構成され、マット１１６の上面と下面との間において、長手方向がチューブＴＵ１〜ＴＵ３の長手方向と平行になるようにチューブＴＵ１の前方に配列されている。スペーサ１１５は、円筒状の部材から構成され、マット１１６の上面と下面との間において、長手方向がチューブＴＵ１〜ＴＵ３の長手方向と平行になるようにチューブＴＵ３の後方に配列されている。マット１１６は、平板状のシートから構成され、スペーサ１１４及び１１５間に巻回されている。
【００９２】
マット１１６の上面には、ユーザに足裏の載置位置を報知するための足裏を模したマークＭ１が描かれている。ここで、マークＭ１は、つま先領域Ｄ１１のほぼ中央部がチューブＴＵ１に位置し、土踏まず領域Ｄ１２のほぼ中央部がチューブＴＵ２に位置し、かかと領域Ｄ１３のほぼ中央部がチューブＴＵ３に位置するように描かれている。これにより、ユーザがマークＭ１の位置に合うようにマット１１６に足裏を載置すると、チューブＴＵ３にかかと領域Ｄ１３の荷重が加わり、チューブＴＵ２に土踏まず領域Ｄ１２の荷重が加わり、チューブＴＵ１につま先領域Ｄ１１の荷重が加わるようになる。
【００９３】
空圧センサ１１１は、チューブＴＵ１の端部と接続され、チューブＴＵ１内部の圧力変化を検出し、空圧センサ１１２は、チューブＴＵ２の端部と接続され、チューブＴＵ２内部の圧力変化を検出し、空圧センサ１１３は、チューブＴＵ３の端部と接続され、チューブＴＵ３内部の圧力変化を検出し、検出した圧力変化の大きさに応じたレベルの電気信号を演算装置２２に出力する。なお、空圧センサ１１１〜１１３としては、（株）富士セラミックス社製のＦＫＳ−１１１を採用することができる。また、図１１に示すように、スペーサ１１４とスペーサ１１５との間隔ＬＡは３００ｍｍが好ましく、チューブＴＵ１とチューブＴＵ２との間隔ＬＡ１は８０ｍｍが好ましく、チューブＴＵ２とチューブＴＵ３との間隔ＬＡ２は８０ｍｍが好ましい。図１３は、空圧センサ１１１〜１１３のうちの１つの空圧センサの等価回路を示している。図１３に示すように空圧センサは、一端がアンプＡＥ１のゲートに接続され、他端がグラウンド端子に接続され、チューブ内部の圧力変化の大きさに応じたレベルの電気信号を出力する圧電素子ＰＥ１と、圧電素子ＰＥ１に並列接続された抵抗Ｒｇと、電界効果型トランジスタから構成され、ソースが電源端子に接続されて電圧ＶＤＤが供給され、ドレインが抵抗Ｒｓを介して出力端子に接続されたアンプＡＥ１と、抵抗Ｒｓとを備える等価回路によって表すことができる。すなわち、チューブ内部の圧力変化は圧電素子ＰＥ１により電気信号に変換され、アンプＡＥ１で増幅され、出力端子から出力される。
【００９４】
計測制御装置２１ａは、空圧センサ１１１〜１１３によりチューブＴＵ１〜ＴＵ３の圧力変化が検出されてから圧力変化が検出されなくなるまでの時間内において、一定の時間間隔で、チューブＴＵ１〜ＴＵ３の各々の圧力変化の計測データを演算装置２２に出力する。
【００９５】
図３に示す計測部１００ａは、図１１に示す荷重測定装置１０ａ及び計測制御装置２１ａから構成され、計測データを一定の時間間隔で制御部２００に出力する。荷重情報生成部２１０ａは、計測部１００ａから出力された計測データから、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する。本実施の形態では、荷重情報は、かかと領域Ｄ１３の荷重情報である第１の荷重情報と、土踏まず領域Ｄ１２の荷重情報である第２の荷重情報と、つま先領域Ｄ１１の荷重情報である第３の荷重情報とを含み、第１の荷重情報は、かかと領域Ｄ１３の荷重の時間的推移を示す波形の特徴を表す情報であり、第２の荷重情報は、土踏まず領域Ｄ１２の荷重の時間的推移を示す波形の特徴を表す情報であり、第３の荷重情報は、つま先領域Ｄ１１の荷重の時間的推移を示す波形の特徴を表す情報である。
【００９６】
図１４は、計測部１００ａから出力された計測データを示したグラフであり、（ａ）はかかと領域Ｄ１３を示し、（ｂ）は土踏まず領域Ｄ１２を示し、（ｃ）はつま先領域Ｄ１１を示している。図１４（ａ）〜（ｃ）に示すグラフにおいて、縦軸は計測データのレベル（電圧）を示し、横軸は時間（秒）を示している。また、図１５は、図１４（ａ）〜（ｃ）に示すグラフを重ね合わせて表示したグラフであり、縦軸は計測データのレベル（電圧）を示し、横軸は時間（秒）を示している。以下、図１４及び図１５を用いて第１〜第３の荷重情報について説明する。
【００９７】
第１の荷重情報は、かかと領域Ｄ１３がマット１１６に踏み込み込まれている踏み込み期間ＴＭ１内における最大の振幅値Ａ１´と、かかと領域Ｄ１３がマット１１６から踏み抜かれている踏み抜き期間ＴＭ２内における最大の振幅値Ａ２´と、踏み込み期間ＴＭ１内において最大の振幅値Ａ１´を示す時刻である基準時刻Ｔ０´から、踏み抜き期間ＴＭ２内において最大の振幅値Ａ２´になるまでの時間Ｔ３´とを含む。
【００９８】
第２の荷重情報は、土踏まず領域Ｄ１２の踏み込み期間ＴＭ３内における最大の振幅値Ｂ１´と、土踏まず領域Ｄ１２の踏み抜き期間ＴＭ４内における最大の振幅値Ｂ２´と、基準時刻Ｔ０´から、土踏まず領域Ｄ１２の踏み込み期間ＴＭ３内において最大の振幅値Ｂ１´になるまでの時間Ｔ１´と、基準時刻Ｔ０´から、土踏まず領域Ｄ１２の踏み抜き期間ＴＭ４内において最大の振幅値Ｂ２´になるまでの時間Ｔ４´とを含む。
【００９９】
第３の荷重情報は、つま先領域Ｄ１１の踏み込み期間ＴＭ５内における最大の振幅値Ｃ１´と、つま先領域Ｄ１１の踏み抜き期間ＴＭ６内における最大の振幅値Ｃ２´と、基準時刻Ｔ０´から、踏み込み期間ＴＭ５内において最大の振幅値Ｃ１´になるまでの時間Ｔ２´と、基準時刻Ｔ０´から、つま先領域Ｄ１１の踏み抜き期間ＴＭ６内において最大の振幅値Ｃ２´になるまでの時間Ｔ５´とを含む。
【０１００】
具体的には、荷重情報生成部２１０は以下のようにして、第１〜第３の荷重情報を生成する。まず、荷重情報生成部２１０は、かかと領域Ｄ１３において、踏み込みが開始された時の計測データのレベルを基準電圧Ａｒｅｆとして特定し、計測データのレベルの最大値と基準電圧Ａｒｅｆとの差分を、振幅値Ａ１´として特定し、計測データのレベルの最小値と基準電圧Ａｒｅｆとの差分の絶対値を振幅値Ａ２´として特定する。また、荷重情報生成部２１０は、振幅値Ａ１´の時刻を基準時刻Ｔ０´として特定し、基準時刻Ｔ０´から振幅値Ａ２´までの時間Ｔ３´を特定する。これら、振幅値Ａ１´，Ａ２´、時間Ｔ３´が第１の荷重情報となる。
【０１０１】
次に、荷重情報生成部２１０は、土踏まず領域Ｄ１２において、計測データのレベルの最大値と基準電圧Ａｒｅｆとの差分を、振幅値Ｂ１´として特定し、計測データのレベルの最小値と基準電圧Ａｒｅｆとの差分の絶対値を、振幅値Ｂ２´として特定する。また、荷重情報生成部２１０は、基準時刻Ｔ０´から振幅値Ｂ１´までの時間Ｔ１´と、基準時刻Ｔ０´から振幅値Ｂ２´までの時間Ｔ４´とを特定する。これら、振幅値Ｂ１´，Ｂ２´、時間Ｔ１´，Ｔ４´が第２の荷重情報となる。
【０１０２】
次に、荷重情報生成部２１０は、つま先領域Ｄ１１において、計測データのレベルの最大値と基準電圧Ａｒｅｆとの差分を、振幅値Ｃ１´として特定し、計測データのレベルの最小値と基準電圧Ａｒｅｆとの差分の絶対値を、振幅値Ｃ２´として特定する。また、荷重情報生成部２１０は、基準時刻Ｔ０´から振幅値Ｃ１´までの時間Ｔ２´と、基準時刻Ｔ０´から振幅値Ｃ２´までの時間Ｔ５´とを特定する。これら、振幅値Ｃ１´，Ｃ２´、時間Ｔ２´，Ｔ５´が第３の荷重情報となる。
【０１０３】
図３に戻り、判定部２２０ａは荷重情報生成部２１０ａにより生成された第１〜第３の
荷重情報の各データが０から１までの範囲内に収まるように、第１〜第３の荷重情報を正規化し、ニューロモデルに入力することで得られる出力値から、認証対象人物が特定人物であるか否かを判定する。なお、本実施の形態においては、図６に示すニューロモデルにおいて、入力層Ｌ１のノードＮ１０１〜Ｎ１１１には、正規化された振幅値Ａ１´，Ａ２´，Ｂ１´，Ｂ２´，Ｃ１´，Ｃ２´、及び正規化された時間Ｔ１´，Ｔ２´，Ｔ３´，Ｔ４´，Ｔ５´が入力される。
【０１０４】
次に、実施の形態２による個人認証システムについて行った実験について説明する。荷重情報生成部２１０は、計測部１００ａに特定人物Ｐ１〜Ｐ５の足裏の測定を１０回実行させ、荷重情報生成部２１０に特定人物Ｐ１〜Ｐ５の各々の１０回分の荷重情報を生成させ、１０回分の荷重情報のうち５回分の荷重情報を学習用データとして用いて、ニューロモデルを生成し、残り５回分の荷重情報を生成したニューロモデルに入力し、特定人物Ｐ１〜Ｐ５の認識を行った。
【０１０５】
図１６は、学習用データとして用いられた特定人物Ｐ１〜Ｐ５の各々の５回分の荷重情報を示した表である。この表に示された学習用データとして用いられる１１×２５＝２７５個の各データは、０〜１の範囲内に収まるように正規化されている。
【０１０６】
図９に示すフローチャートに従って、図１６に示す学習用データをニューロモデルに学習させると、図１７の表に示す結果が得られた。図１７は、特定人物Ｐ１において、図１６に示す１行目の１１個のデータを学習用データとしてニューロモデルに入力したときの、ニューロモデルの各係数の修正回数と、ノードＮ３１〜Ｎ３５の出力値Ｏ１〜Ｏ５との関係を示した表である。修正回数が０回の場合は、出力値Ｏ１〜Ｏ５は（０．５０２，０．４１９０，０．７９６５，０．４９６５，０．２６３４）であり、出力値Ｏ１と出力値Ｏ２〜Ｏ５との差に大差はないが、修正回数を５００回、１０００回と増やすにつれて、出力値Ｏ１と出力値Ｏ２〜Ｏ５との差が顕著になり、修正回数が９５００回まで増大されると、出力値Ｏ１〜Ｏ５は（０．９９８０，０．００００，０．００３０，０．００３７，０．００００）となり、出力値Ｏ１はほぼ「１」、出力値Ｏ２〜Ｏ５はほぼ「０」となり、出力値Ｏ１〜Ｏ５が特定人物Ｐ１の教師データ（１，０，０，０，０）に近づいていることが分かる。そして、モデル生成部２４０は、このような処理を図１６に示す２行目以降の各データに対して実行し、ニューロモデルを生成した。
【０１０７】
次に、判定部２２０ａは、図８に示すフローチャートに準じて、ニューロモデルの生成に用いられた荷重情報以外の残り５回分の荷重情報を、モデル生成部２４０により生成されたニューロモデルに入力した。図１８は、ニューロモデルに入力された５回分の荷重情報のうち、特定人物Ｐ１〜Ｐ５の１回分の荷重情報を示した表である。そして、図１８の表に示す特定人物Ｐ１〜Ｐ５の荷重情報を順次ニューロモデルに入力すると、図１９の表に示す結果が得られた。図１９は、図１８の表に示す荷重情報をニューロモデルに入力したときの特定人物Ｐ１〜Ｐ５毎の出力値Ｏ１〜Ｏ５を示した表である。図１８の表の１行目に示す特定人物Ｐ１の荷重情報をニューロモデルに入力すると、図１９の表の１行目に示すように出力値Ｏ１〜Ｏ５＝（０．９９７，０．００００，０．００００，０．０３０１，０．００００）が得られ、出力値Ｏ１がほぼ「１」、出力値Ｏ２〜Ｏ５がほぼ「０」となり、特定人物Ｐ１を特定することが可能であることが分かる。図１９の表の２〜５行目に示す出力値も、特定人物に対応するノードの出力値がほぼ「１」、残り４個のノードの出力値がほぼ「０」となり、特定人物Ｐ２〜Ｐ５を特定することが可能であることが分かる。
【０１０８】
図２０は、学習用データとして用いられた荷重情報以外の残り５回分の荷重情報をニューロモデルに入力したときの、判定部２２０ａが特定人物Ｐ１〜Ｐ５を認識することができたか否かの認識率を示した表である。図２０の表に示すように、特定人物Ｐ１〜Ｐ５の
認識率（％）は（８６．０，５９．６，６９．６，９８．８，９９．６）であり、平均認識率は８２．７％であり、特定人物Ｐ１〜Ｐ５が精度良く認識されていることが分かる。なお、本実験において特定人物Ｐ１〜Ｐ５の身長（ｃｍ）及び体重（ｋｇ）は図２１の表に示す通りである。
【０１０９】
このように、実施の形態２による個人認証システムによれば、チューブＴＵ１〜ＴＵ３、及び空圧センサ１１１〜１１３といった簡便な構成で計測部１００ａが構成されているため、低コスト化を図ることができる。
【０１１０】
なお、実施の形態１において、足裏領域をつま先領域Ｄ１１、土踏まず領域Ｄ１２、及びかかと領域Ｄ１３に３分割したがこれに限定されず、足裏領域を４つ以上の領域に分け、各領域の荷重情報を生成し、この荷重情報から認証対象人物を特定してもよい。
【０１１１】
また、実施の形態２において、チューブＴＵ１〜ＴＵ３の３つの測定データからつま先領域Ｄ１１、土踏まず領域Ｄ１２、及びかかと領域Ｄ１３の荷重情報を生成したがこれに限定されず、４つ以上又は２つのチューブを配設し、各チューブからの測定データから足裏の各領域の荷重情報を生成し、この荷重情報から認証対象人物を特定してもよい。
【０１１２】
また、実施の形態１、２において、ニューロモデルにより認証対象人物を特定したが、これに限定されず、特定人物の荷重情報を判定情報として記憶部に記憶させておき、この荷重情報と、荷重情報生成部２１０（２１０ａ）により生成された荷重情報とのユークリッド距離とを求めることで、認証対象人物を特定してもよい。
【０１１３】
（実施の形態３）
次に、本発明の実施の形態３による個人認証システムについて説明する。本個人認証システムは、計測部１００ｂを認証対象人物が着用する靴に設け、土踏まず領域を更に２つの領域に分け、左右の足を区別した認証を行うことを特徴とする。なお、本実施の形態において、実施の形態１、２と同一のものは説明を省略する。
【０１１４】
図２２は、実施の形態３による計測部１００ｂの外観構成図を示している。図２２に示す計測部１００ｂは、実施の形態１に示す接触荷重分布センサ１０を、認証対象人物の左右の足に装着される靴の中敷きに取り付けたものである。この場合、図１に示す計測制御装置２１及び演算装置２２は集積化して靴に取り付けても良いし、靴とは別体で取り付けても良い。計測制御装置２１及び演算装置２２を靴と別体で取り付ける場合は、無線でデータを送受してもよいし、有線でデータを送受してもよい。
【０１１５】
本実施の形態におけるブロック図は、図３と同一であるため、処理の内容を図３を用いて説明する。図３に示す荷重情報生成部２１０ｂは、合成荷重分布画像を４分割する。これにより、足裏領域がつま先領域、第１及び第２の土踏まず領域、並びにかかと領域に分割される。
【０１１６】
図２３は、計測部１００ｂから出力される合成荷重分布画像を示している。また、図２４は、４分割された合成荷重分布画像を示している。図２３、２４に示す外枠ＯＬ１は、接触荷重分布センサ１０の輪郭を示している。また、外枠ＯＬ１の内部に、黒色の足跡領域ＯＬ２が現れていることが分かる。また、足跡領域ＯＬ２のかかと部分が中心に向かうにつれて明るくなっており、中心に向かうにつれてかかとの荷重が大きくなっていることが分かる。
【０１１７】
荷重情報生成部２１０ｂは、図２４に示すように、合成分布画像に含まれる足跡領域ＯＬ２を抽出し、例えば、足跡領域ＯＬ２に外接矩形ＯＬ４を当てはめ、外接矩形ＯＬ４と足跡領域ＯＬ２との交点から足跡領域ＯＬ２の最後部ＯＬ３を特定する。ここで、荷重情報生成部２１０ｂは、足跡領域ＯＬ２の形状から外接矩形ＯＬ４の４辺のうちどの辺がかかと側の辺Ｈ１かを特定し、この辺Ｈ１と足跡領域ＯＬ２との交点から最後部ＯＬ３を特定すればよい。
【０１１８】
次に、荷重情報生成部２１０ｂは、合成荷重分布画像において、最後部ＯＬ３を基準として、外接矩形ＯＬ４のかかと側の辺Ｈ１と平行に等間隔に４本の直線ＬＩ１〜ＬＩ４を引き、つま先領域ＤＯＭ１、第１の土踏まず領域ＤＯＭ２、第２の土踏まず領域ＤＯＭ３、及びかかと領域ＤＯＭ４に分割する。具体的には、つま先領域ＤＯＭ１は、例えば外枠ＯＬ１内の領域において、直線ＬＩ４と直線Ｌ１３とよりに囲まれる領域が採用される。
【０１１９】
また、第１の土踏まず領域ＤＯＭ２は、例えば外枠ＯＬ１内の領域において、直線ＬＩ３と直線Ｌ１２とよりに囲まれる領域が採用される。また、第２の土踏まず領域ＤＯＭ３は、例えば外枠ＯＬ１内の領域において、直線ＬＩ２と直線Ｌ１１とよりに囲まれる領域が採用される。また、かかと領域ＤＯＭ４は、例えば外枠ＯＬ１内の領域において、辺Ｈ１と直線Ｌ１１とよりに囲まれる領域が採用される。
【０１２０】
次に、荷重情報生成部２１０ｂは、計測部１００ｂから一定の時間間隔毎に出力された荷重分布画像毎に、つま先領域ＤＯＭ１、第１及び第２の土踏まず領域ＤＯＭ２及びＤＯＭ３、並びにかかと領域ＤＯＭ４の各領域に属する各画素の階調値の総和を求め、この総和を時系列順で並べ、各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形を求める。
【０１２１】
そして、荷重情報生成部２１０ｂは、上記の処理を左右の足のそれぞれに対して行い、左右の足のそれぞれの各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形を求め、この波形から荷重情報を生成する。よって、荷重情報には左足の荷重情報と右足の荷重情報とが含まれる。
【０１２２】
図２５は、各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形の一例を示した図であり、（ａ）は左足の波形を示し、（ｂ）は右足の波形を示している。図２５（ａ）、（ｂ）において、波形Ａはかかと領域ＤＯＭ４の波形を示し、波形Ｂは第２の土踏まず領域ＤＯＭ３の波形を示し、波形Ｃは第１の土踏まず領域ＤＯＭ２の波形を示し、波形Ｄはつま先領域ＤＯＭ１の波形を示している。なお、図２５（ａ）、（ｂ）に示す波形は同一人物のものである。また、図２５（ａ）、（ｂ）において、縦軸は階調値の総和、すなわち、荷重を示し、横軸は時間（秒）を示している。
【０１２３】
図２５（ａ）、（ｂ）に示すように、各領域ＤＯＭ１〜ＤＯＭ４の波形Ａ〜Ｄは、同一人物であっても左右の足で大きく異なっていることが分かる。特に、波形Ｂが左右の足で大きく相違しており、第２の土踏まず領域ＤＯＭ３が同一人物であっても左右の足で荷重の時間的推移の差が大きいことが分かる。よって、左右の足を区別すると共に、土踏まず領域を２つの領域ＤＯＭ２及びＤＯＭ３に区別することで、各人物の特徴をより多く抽出することができ、認証精度を高めることが可能となる。
【０１２４】
図２６は、実施の形態３における荷重情報を示すグラフであり、縦軸は荷重を示し、横軸は時間（秒）を示している。図２６に示す波形Ａ〜Ｄは図２５に示す波形Ａ〜Ｄと同一である。荷重情報生成部２１０ｂは、波形Ａ〜Ｄのピーク値Ｐ１〜Ｐ４を特定し、ピーク値Ｐ１の時刻Ｔ１を基準時刻とし、時刻Ｔ１から波形Ｂ〜Ｄがピーク値Ｐ２〜Ｐ４に到達するまでの時間Ｔ２〜Ｔ３を特定する。そして、荷重情報生成部２１０ｂは、ピーク値Ｐ１〜Ｐ４及び時間Ｔ２〜Ｔ４を荷重情報として生成する。なお、図２６においては、基準時刻として、時刻Ｔ１を採用したが、波形Ａの立ち上がり時刻を採用してもよいし、波形Ａ〜Ｄのいずれか１の波形の立ち下がり時刻を採用してもよいし、波形Ｂ〜Ｄのいずれか１の波形がピーク値となる時刻を採用してもよい。
【０１２５】
図３に戻り、判定部２２０ｂは、荷重情報生成部２１０ｂにより生成された認証対象人物の荷重情報と、モデル記憶部２３０に記憶された判定情報とを比較し、認証対象人物が特定人物であるか否かを判定する。
【０１２６】
本実施の形態では、判定情報として、特定人物の荷重情報を複数回測定し、得られた複数回の荷重情報の平均値を算出することで、特定人物の荷重情報のテンプレートを生成し、このテンプレートを判定情報として採用する。以下、荷重情報のテンプレートのことを「荷重テンプレート（基準荷重情報の一例）」と称する。具体的には、荷重テンプレートは、左足の荷重テンプレートと右足の荷重テンプレートが存在し、左足の荷重テンプレートは、左足における時間Ｔ２〜Ｔ４及びピーク値Ｐ１〜Ｐ４を含み、右足の荷重テンプレートは右足における時間Ｔ２〜Ｔ４及びピーク値Ｐ１〜Ｐ４を含む。また、以下の説明では、説明の便宜上、荷重テンプレートは１種類、すなわち、特定人物の人数を１人とする。また、認証対象人物を複数とする。
【０１２７】
そして、判定部２２０ｂは、各認証対象人物の左足の荷重情報と左足の荷重テンプレートとのユークリッド距離を求め、かつ、各認証対象人物の右足の荷重テンプレートと右足の荷重テンプレートとのユークリッド距離を求め、このユークリッド距離に基づいてどの認証対象人物が特定人物に該当するかを判定する。
【０１２８】
本実施の形態では、荷重情報生成部２１０ｂは、認証対象人物に所定歩数歩かせることで、左右に所定歩数分（例えば左４歩、右４歩）の荷重情報を生成するものとする。そして、判定部２２０ｂは、各歩の荷重情報と、荷重テンプレートとのそれぞれのユークリッド距離を求め、以下に示す第１〜第３の手法を用いて個人認証を行うものとする。
【０１２９】
第１の手法は、認証対象人物の所定歩数分の荷重情報を取得し、各歩の荷重情報と荷重テンプレートとのユークリッド距離の合計を認証対象人物毎に求め、合計値を最小とする認証対象人物を特定人物として判定する手法である。
【０１３０】
第２の手法は、認証対象人物の所定歩数分の荷重情報を取得し、各歩の荷重情報と荷重テンプレートとのユークリッド距離を求め、１歩ごとに、どの認証対象人物が特定人物に該当するかを判定し、最も多く特定人物に該当すると判定された認証対象人物を、特定人物であるとして判定する手法である。
【０１３１】
例えば、認証対象人物を５人、歩数を８歩とした場合、第３番目の認証対象人物が１〜７歩目において特定人物であると判定され、第２番目の認証対象人物が８歩目において特定人物であると判定された場合、第３番目の認証対象人物が特定人物として判定される。
【０１３２】
第３の手法は、認証対象人物の所定歩数分の荷重情報を取得し、各歩の荷重情報と荷重テンプレートとのユークリッド距離を求め、１歩ごとに、ユークリッド距離が小さい順に認証対象人物を順位付けし、各認証対象人物の平均順位を求め、この平均順位が最大となる認証対象人物を、特定人物であるとして判定する手法である。
【０１３３】
例えば、認証対象人物を５人、歩数を８歩とした場合、第３番目の認証対象人物の１〜８歩分の平均順位が最も高いとすると、第３番目の認証対象人物が特定人物として判定される。
【０１３４】
モデル記憶部２３０ｂは、各特定人物の荷重テンプレートを記憶する。ここで、荷重テンプレートは、モデル生成部２４０ｂ（基準荷重情報生成手段の一例）により予め作成されたものである。モデル生成部２４０は、荷重テンプレートを生成し、モデル記憶部２３０ｂに記憶させる。
【０１３５】
次に、実施の形態３の効果を確認するために行った実験について説明する。まず、１回の歩行につき、左右それぞれ連続した４歩の計８歩の荷重情報を歩行データとして取得する。そして、この歩行を各被験者に１０回行わせ、各被験者から８歩×１０回＝８０歩分の荷重情報を取得する。次に、各被験者の１０回分の歩行データからランダムに３回の歩行データを選択し、左右各１２（＝３回×４歩）歩分の荷重情報の平均を求め、各被験者の荷重テンプレートを生成する。
【０１３６】
そして、残りの７回分の歩行データに含まれる７回×８歩＝５６歩の荷重情報と、荷重テンプレートとのユークリッド距離を１歩ごとに求め、個人認証を行う。
【０１３７】
ここで、比較する荷重情報ｘに含まれるピーク値Ｐ１〜Ｐ４及び時間Ｔ２〜Ｔ３をＰｉ（ｉ＝１，２，３，４）及びＴｉ（ｉ＝２，３，４）とし、各被験者の荷重テンプレートｙに含まれるピーク値Ｐ１〜Ｐ４及び時間Ｔ２〜Ｔ４をＰｊ（ｊ＝１，２，３，４）及び時間Ｔｊ（ｊ＝２，３，４）とすると、荷重情報と荷重テンプレートとのユークリッド距離ｄ（ｘ，ｙ）は式（７）により求めることができる。
【０１３８】
【数１】
図２７は、上記実験の流れを示すフローチャートである。まず、ステップＳ１０１において、歩行データを取得する。この場合、被験者１０人の１０回分の歩行データが取得され、１回分の歩行データは、８歩分の荷重情報を含むため、１０人×１０回×８歩＝８００歩分の荷重情報が取得される。
【０１３９】
次に、各被験者において、１０回の歩行データから３回の歩行データが選択され（ステップＳ１０２）、選択した３回の歩行データから荷重テンプレートが作成される（ステップＳ１０４）。この場合、被験者が１０人であるため、左右それぞれ１０個（合計２０個）の荷重テンプレートが生成される。次に、ステップＳ１０４で作成された被験者１０人の荷重テンプレートからある一人の被験者の荷重テンプレートが選択される（ステップＳ１０５）。
【０１４０】
次に、ステップＳ１０２において選択された３回の歩行データの残り７回分の歩行データが選択され（ステップＳ１０３）、選択された７回分の歩行データを構成する１歩ごとの荷重情報と、ステップＳ１０５で選択されたある一人の被験者の荷重テンプレートとのユークリッド距離が計算される（ステップＳ１０６）。次に、上記第１〜第３の手法のそれぞれを用いて、個人認証が行われる（ステップＳ１０７）。
【０１４１】
図２８は、被験者の人数を５人とし、第１の手法を採用した場合の実験結果を示した表である。図２９は、被験者の人数を５人とし、第３の手法を採用した場合の実験結果を示した表である。図２８及び図２９においては、被験者３の荷重テンプレートと各荷重情報とのユークリッド距離が算出され、個人認証が行われている。
【０１４２】
図２８に示すように、被験者３の各歩のユークリッド距離の合計が０．２３６７７３となっており、被験者３の荷重テンプレートとのユークリッド距離が他の被験者よりも大幅に短くなっている。よって、被験者３が特定され、被験者３が正しく認証されていることが分かる。
【０１４３】
図２９においては、図２８に示す結果を用いて順位付けが行われている。被験者３の平均順位は、１．３７５であり、他の被験者に比べて平均順位が大幅に高いため、被験者３が特定される。よって、被験者３が正しく認証されていることが分かる。
【０１４４】
また、図２９の結果において第２の手法を用いて個人認証を行うと、被験者１のユークリッド距離が最小になった回数は第５歩及び第８歩の２回である。また、被験者２のユークリッド距離が最小になった回数は第２歩の１回である。また、被験者３のユークリッド距離が最小になった回数は第１，３，４，６，７歩の５回である。また、被験者４のユークリッド距離が最小になった回数は０回である。また、被験者５のユークリッド距離が最小になった回数は０回である。そのため、被験者３が特定される。よって、被験者３が正しく認証されていることが分かる。
【０１４５】
図３０は、第１の手法を用いた場合の認識率を示した表である。図３０の表の１〜１０行目は、それぞれ、被験者１〜被験者１０の荷重テンプレートが選択され、各升の数値は各被験者が特定人物として特定された回数を示している。例えば、１行目においては、被験者１の荷重テンプレートが選択され、被験者１が７００回特定され、他の被験者は全く特定されていないことが分かる。そのため、誤検出された回数は０回であり、認識率が１００％となっていることが分かる。なお、図３０の表では、図２７のフローチャートの１ループが１回とされている。また、以下に示す図３１〜３７の表も図２７のフローチャートの１ループが１回とされている。
【０１４６】
他の被験者についても、自己の荷重テンプレートが選択されている場合に、自己の特定回数が他の被験者の特定回数よりも大幅に大きく、正確に特定されていることが分かる。そして、全被験者の認識率の平均値が９６．９１％と高い数値が得られていることが分かる。
【０１４７】
図３１は、第２の手法を用いた場合の認識率を示した表である。なお、図３１では、１位になった回数に閾値が設けられていない。例えば、被験者３が１位になった回数が３回であり、他の被験者が１位になった歩数が２回以下である場合、閾値が設定されていなければ、被験者３が特定され、閾値が４に設定されていれば、被験者３は特定されない。
【０１４８】
図３１においても、図３０と同様、被験者の認識率の平均値が９８．１４％と高い数値が得られていることが分かる。
【０１４９】
図３２は、閾値を５に設定して第２の手法を用いた場合の認識率を示した表である。図３２においては、全被験者の認識率の平均値が８４．５％と図３１に比べて低くなっているが、これは閾値を高く設定したためである。一方、他人の欄に示す誤認率は図３１では１．８６％であるが、図３２では０．１７％と低くなっており、閾値を高く設定するほど、認証精度が高くなっていることが分かる。
【０１５０】
図３３は、閾値を６に設定して第２の手法を用いた場合の認識率を示した表である。図３４は、閾値を７に設定して第２の手法を用いた場合の認識率を示した表である。図３３においては全被験者の認識率が８４．５１％、図３４においては全被験者の認識率が７０．７１％と次第に低くなっているのは、図３３よりも図３４の方が閾値が高いためである。一方、図３３においては他人の欄に示す誤認率が０．０１％、図３４においては他人の欄に示す誤認率が０％となっており、閾値を高く設定するほど認証精度が高くなっていることが分かる。
【０１５１】
図３５〜図３７は、第３の手法を用いた場合の認識率を示した表である。なお、図３５では、平均順位に閾値が設けられていない。例えば、閾値として２が設定されている場合、被験者３の平均順位が最高であっても、被験者３の平均順位が２未満であると、被験者３は特定されない。図３５においては全被験者の認識率が９６．３１％と高い数値が得られていることが分かる。
【０１５２】
図３６は、閾値を２位に設定して第３の手法を用いた場合の認識率を示した表である。図３７は、閾値を１．５位に設定して第３の手法を用いた場合の認識率を示した表である。図３６においては全被験者の認識率が９０．００％、図３６においては全被験者の認識率が７８．５７％と次第に低くなっているのは、図３６よりも図３７の方が閾値が高いためである。一方、図３６においては他人の欄に示す誤認率が０．８４％、図３７においては他人の欄に示す誤認率が０．０１％となっており、閾値を高く設定するほど認証精度が高くなっていることが分かる。
【０１５３】
図３０、図３１、図３５の実験結果から分かるように、閾値を設定しない場合は、同様の認証精度が得られている。
【０１５４】
図３８は、第１〜第３の手法の実験結果を比較した表である。図３８においては、１０人の被験者の荷重テンプレートを作成し、各被験者の左右４歩の合計８歩の荷重情報と各被験者の荷重テンプレートとのユークリッド距離に基づいた第１〜第３の手法が実行されている。
【０１５５】
一方、第１の手法では９６．９％と高い認識率が得られていることが分かる。また、第２、第３の手法では誤認率が共に０％と低い誤認率が得られていることが分かる。なお、ＮＮ手法の欄は、１０人の被験者の１歩の荷重情報からニューロモデルを生成し、このニューロモデルを用いて、各被験者の認識率及び誤認率を求めた場合を示している。この結果から分かるように、荷重情報を１歩とした場合、８歩とした第１〜第３の手法に比べて、誤認率が高くなっており、複数歩の荷重情報を採用した方が認証精度が高くなっていることが分かる。
【０１５６】
以上説明したように、実施の形態３による個人認証システムによれば、左右の荷重情報を区別した認証処理が行われ、土踏まず領域が更に２つの領域に区画されているため、判定精度を高くすることができる。また、ユークリッド距離に基づいた認証処理が行われているため、処理コストの低下を図りつつ、制度の良い認証処理を実現することができる。
【０１５７】
なお、実施の形態３では判定部２２０ｂはユークリッド距離を採用したが、これに限定されず、実施の形態１，２と同様、ニューロモデルを採用してもよい。また、実施の形態１，２において、判定部２２０ａ，２２０ｂは、ニューロモデルを用いて特定する手法を採用したが、これに限定されず、実施の形態３と同様、ユークリッド距離を用いて特定する手法を採用してもよい。この場合、左右の足を区別した荷重情報を採用すると共に、左右の足を区別した荷重テンプレートを採用すればよい。
【０１５８】
また、実施の形態３において、荷重情報として、時間Ｔ２〜Ｔ４、ピーク値Ｐ１〜Ｐ４に代えて、実施の形態１，２で採用された荷重情報を採用してもよい。また、実施の形態１，２において、実施の形態３で採用された時間Ｔ２〜Ｔ４、ピーク値Ｐ１〜Ｐ４を荷重情報として採用してもよい。
【０１５９】
また、実施の形態３においては、計測部１００ｂは、接触荷重分布センサ式のものが採用されているが、これに限定されず、実施の形態２に示すようなチューブ式のものを採用してもよい。この場合、各領域ＤＯＭ１〜ＤＯＭ４の荷重情報を得るために、４本のチューブを平行に配設すればよい。また、接触荷重分布センサを中敷きの全域に取り付けることに代えて、各領域ＤＯＭ１〜ＤＯＭ４の一部の領域に点状又は面状に取り付けても良い。
【０１６０】
なお、上記実施の形態１、３においては、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を領域毎の荷重情報として採用されているが、本発明はこれに限定されず、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移を領域毎の荷重情報として採用してもよい。
【０１６１】
図３９は、各領域の所定の位置の荷重の時間的推移を領域毎の荷重情報とする場合の説明図である。図３９に示すように、荷重情報生成部２１０は、図２４と同様にしてつま先領域ＤＯＭ１〜かかと領域ＤＯＭ４を抽出し、各領域の所定の位置ＰＤ１〜ＰＤ４における荷重の時間的推移を示す波形から荷重情報を生成すればよい。この場合、荷重情報としては、実施の形態１〜３のいずれかによるものを採用すればよい。
【０１６２】
また、荷重情報生成部２１０は、つま先領域ＤＯＭ１〜かかと領域ＤＯＭ４のそれぞれの例えば重心や荷重が最もかかる位置等を位置ＰＤ１〜ＰＤ４として採用すればよい。また、荷重情報生成部２１０は、足裏を複数の領域に分けることなく、位置ＰＤ１〜ＰＤ４を特定してもよい。この場合、荷重情報生成部２１０は、足跡領域ＯＬ２に外接矩形ＯＬ４を当てはめ、この外接矩形ＯＬ４の長辺を所定の比率で４分割して短辺と平行に４本の直線ＬＨＡ〜ＬＨＤを引き、直線ＬＨＡ〜ＬＨＤを直線毎に定められた所定の比率で内分した点を位置ＰＤ１〜ＰＤ４として特定すればよい。
【図面の簡単な説明】
【０１６３】
【図１】本発明の実施の形態１による個人認証システムの全体構成図を示している。
【図２】荷重分布画像を示した図である。
【図３】図１に示す個人認証システムのブロック図を示している。
【図４】合成荷重分布画像を示した図である。
【図５】第１〜第３の荷重情報を示したグラフであり、（ａ）は第１の荷重情報を示し、（ｂ）は第２の荷重情報を示し、（ｃ）は第３の荷重情報を示している。
【図６】本個人認証システムで採用されるニューロモデルを示した図である。
【図７】本ニューロモデルを構成する各ノードの機能の説明図である。
【図８】本個人認証システムの動作を示すフローチャートである。
【図９】ニューロモデルの生成処理を示すフローチャートである。
【図１０】ニューロモデルの係数の修正処理の説明図である。
【図１１】実施の形態２による個人認証システムの全体構成図を示している。
【図１２】荷重測定装置の外観斜視図である。
【図１３】空圧センサの等価回路を示している。
【図１４】計測データを示したグラフであり、（ａ）はかかと領域を示し、（ｂ）は土踏まず領域を示し、（ｃ）はかかと領域を示している。
【図１５】図１４（ａ）〜（ｃ）に示すグラフを重ね合わせて表示したグラフである。
【図１６】学習用データとして用いられた特定人物Ｐ１〜Ｐ５の各々の５回分の荷重情報を示した表である。
【図１７】図１６に示す１行目の１１個のデータを学習用データとしてニューロモデルに入力したときの、ニューロモデルの各係数の修正回数と、出力値との関係を示した表である。
【図１８】ニューロモデルに入力された５回分の荷重情報のうち、特定人物Ｐ１〜Ｐ５の１回分の荷重情報を示した表である。
【図１９】図１８の表に示す荷重情報をニューロモデルに入力したときの特定人物Ｐ１〜Ｐ５毎の出力値を示した表である。
【図２０】学習用データとして用いられた荷重情報以外の残り５回分の荷重情報をニューロモデルに入力したときの、特定人物Ｐ１〜Ｐ５が認識されたか否かの認識率を示した表である。
【図２１】特定人物Ｐ１〜Ｐ５の身長（ｃｍ）及び体重（ｋｇ）を示す表である。
【図２２】実施の形態３による計測部の外観構成図を示している。
【図２３】計測部から出力される合成荷重分布画像を示している。
【図２４】４分割された合成荷重分布画像を示している。
【図２５】各領域ＤＯＭ１〜ＤＯＭ４の荷重の時間的推移を示す波形の一例を示した図である。
【図２６】実施の形態３における荷重情報を示すグラフである。
【図２７】実施の形態３による実験の流れを示すフローチャートである。
【図２８】被験者の人数を５人とし、第１の手法を採用した場合の実験結果を示した表である。
【図２９】被験者の人数を５人とし、第３の手法を採用した場合の実験結果を示した表である。
【図３０】第１の手法を用いた場合の認識率を示した表である。
【図３１】第２の手法を用いた場合の認識率を示した表である。
【図３２】閾値を５に設定して第２の手法を用いた場合の認識率を示した表である。
【図３３】閾値を６に設定して第２の手法を用いた場合の認識率を示した表である。
【図３４】閾値を７に設定して第２の手法を用いた場合の認識率を示した表である。
【図３５】第３の手法を用いた場合の認識率を示した表である。
【図３６】第３の手法を用いた場合の認識率を示した表である。
【図３７】第３の手法を用いた場合の認識率を示した表である。
【図３８】第１〜第３の手法の実験結果を比較した表である。
【図３９】各領域の所定の位置の荷重の時間的推移を領域毎の荷重情報とする場合の説明図である。
【符号の説明】
【０１６４】
１０ａ 荷重測定装置
１０ 接触荷重分布センサ
１１ 載置部
２１，２１ａ 計測制御装置
２２ 演算装置
１００，１００ａ 計測部
１１１〜１１３ 空圧センサ
１１４，１１５ スペーサ
２００ 制御部
２１０，２１０ａ 荷重情報生成部
２２０，２２０ａ 判定部
２３０ モデル記憶部
２４０ モデル生成部
Ｄ１１ つま先領域
Ｄ１２ 土踏まず領域
Ｄ１３ かかと領域
Ｌ１ 入力層
Ｌ２ 中間層
Ｌ３ 出力層
ＴＵ１，ＴＵ２，ＴＵ３ チューブ
【特許請求の範囲】
【請求項１】
認証対象人物が特定人物であるか否かの判定を行う個人認証システムであって、
人物の足裏の荷重を計測する計測手段と、
前記計測手段により計測された荷重から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する荷重情報生成手段と、
前記特定人物の荷重情報に基づいて予め作成され、前記認証対象人物が前記特定人物であるか否かを判定する際に用いられる判定情報を記憶する記憶手段と、
前記荷重情報生成手段により生成された前記認証対象人物の荷重情報と、前記記憶手段に記憶された判定情報とから、前記認証対象人物が前記特定人物であるか否かを判定する判定手段とを備えることを特徴とする個人認証システム。
【請求項２】
前記荷重情報は、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を示す領域毎の荷重情報を含むことを特徴とする請求項１記載の個人認証システム。
【請求項３】
前記荷重情報は、左足の荷重情報と右足の荷重情報とを含むことを特徴とする請求項２記載の個人認証システム。
【請求項４】
前記足裏の複数の領域は、かかと領域と、土踏まず領域と、つま先領域とを含むことを特徴とする請求項２又は３記載の個人認証システム。
【請求項５】
前記土踏まず領域は、第１の土踏まず領域と、前記第１の土踏まず領域とは異なる第２の土踏まず領域とを含むことを特徴とする請求項４記載の個人認証システム。
【請求項６】
前記領域毎の荷重情報は、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移であることを特徴とする請求項２〜５のいずれかに記載の個人認証システム。
【請求項７】
前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を学習用データとして用いてニューラルネットワークモデルを生成し、このニューラルネットワークモデルを前記判定情報とするモデル生成手段を更に備え、
前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報を前記ニューラルネットワークモデルに入力することで得られる出力値から、前記認証対象人物が前記特定人物であるか否かを判定することを特徴とする請求項２〜６のいずれかに記載の個人認証システム。
【請求項８】
前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を用いて特定人物の基準荷重情報を生成し、この基準荷重情報を前記判定情報とする基準荷重情報生成手段を更に備え、
前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報と前記基準荷重情報とのユークリッド距離に基づいて、前記認証対象人物が前記特定人物であるか否かを判定することを特徴とする請求項２〜６のいずれかに記載の個人認証システム。
【請求項９】
前記認証対象人物は複数存在し、
前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、
前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離の合計値を前記認証対象人物毎に求め、前記合計値が最小となる認証対象人物を前記特定人物と判定することを特徴とする請求項８記載の個人認証システム。
【請求項１０】
前記認証対象人物は複数存在し、
前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、
前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、どの認証対象人物が前記特定人物に該当するかを判定し、最も多く特定人物に該当すると判定した認証対象人物を前記特定人物と判定することを特徴とする請求項８記載の個人認証システム。
【請求項１１】
前記認証対象人物は複数存在し、
前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、
前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、ユークリッド距離が小さい順に順位付けし、各認証対象人物の平均順位を求め、前記平均順位が最大となる認証対象人物を前記特定人物と判定することを特徴とする請求項８記載の個人認証システム。
【請求項１２】
前記荷重情報は、前記領域毎の荷重の時間的推移を示す波形の特徴を表す情報であることを特徴とする請求項２〜１１のいずれかに記載の個人認証システム。
【請求項１３】
前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域の荷重の最大値と、対応する領域が所定の基準時刻から前記載置部に踏み込まれるまでの時間と、対応する領域の荷重が前記基準時刻から最大値になるまでの時間と、対応する領域が前記基準時刻から前記載置部より離れるまでの時間とを含むことを特徴とする請求項１２記載の個人認証システム。
【請求項１４】
前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域が前記載置部に踏み込み込まれている踏み込み期間内における最大の振幅値と、対応する領域が前記載置部から踏み抜かれている踏み抜き期間内における最大の振幅値と、前記踏み込み期間内において所定の基準時刻から最大の振幅値になるまでの時間と、前記踏み抜き期間内において前記基準時刻から最大の振幅値になるまでの時間とを含むことを特徴とする請求項１２記載の個人認証システム。
【請求項１５】
前記領域毎の荷重情報は、対応する領域の荷重の最大値と、所定の基準時刻から最大値になるまでの時間とを含むことを特徴とする請求項１２記載の個人認証システム。
【請求項１６】
前記計測手段は、人物の足裏が載置され、この足裏の荷重分布を測定する接触荷重分布センサから構成されることを特徴とする請求項１〜１５のいずれかに記載の個人認証システム。
【請求項１７】
前記計測手段は、
前記認証対象人物の足裏が載置され、内部の空圧が変化する複数のチューブと、
各チューブの内部の圧力変化を測定する空圧センサとを備えることを特徴とする請求項１〜１６のいずれかに記載の個人認証システム。
【請求項１８】
前記計測手段は、前記認証対象人物により着用される靴に取り付けられていることを特徴とする請求項１〜１７のいずれかに記載の個人認証システム。
【請求項１】
認証対象人物が特定人物であるか否かの判定を行う個人認証システムであって、
人物の足裏の荷重を計測する計測手段と、
前記計測手段により計測された荷重から、人物が歩行した時の足裏に加わる荷重の時間的推移を示す荷重情報を生成する荷重情報生成手段と、
前記特定人物の荷重情報に基づいて予め作成され、前記認証対象人物が前記特定人物であるか否かを判定する際に用いられる判定情報を記憶する記憶手段と、
前記荷重情報生成手段により生成された前記認証対象人物の荷重情報と、前記記憶手段に記憶された判定情報とから、前記認証対象人物が前記特定人物であるか否かを判定する判定手段とを備えることを特徴とする個人認証システム。
【請求項２】
前記荷重情報は、足裏を複数の領域に分けたときにおける各領域の荷重の時間的推移を示す領域毎の荷重情報を含むことを特徴とする請求項１記載の個人認証システム。
【請求項３】
前記荷重情報は、左足の荷重情報と右足の荷重情報とを含むことを特徴とする請求項２記載の個人認証システム。
【請求項４】
前記足裏の複数の領域は、かかと領域と、土踏まず領域と、つま先領域とを含むことを特徴とする請求項２又は３記載の個人認証システム。
【請求項５】
前記土踏まず領域は、第１の土踏まず領域と、前記第１の土踏まず領域とは異なる第２の土踏まず領域とを含むことを特徴とする請求項４記載の個人認証システム。
【請求項６】
前記領域毎の荷重情報は、足裏を複数の領域に分けたときにおける各領域の所定の位置の荷重の時間的推移であることを特徴とする請求項２〜５のいずれかに記載の個人認証システム。
【請求項７】
前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を学習用データとして用いてニューラルネットワークモデルを生成し、このニューラルネットワークモデルを前記判定情報とするモデル生成手段を更に備え、
前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報を前記ニューラルネットワークモデルに入力することで得られる出力値から、前記認証対象人物が前記特定人物であるか否かを判定することを特徴とする請求項２〜６のいずれかに記載の個人認証システム。
【請求項８】
前記荷重情報生成手段により生成された前記特定人物の足裏の前記領域毎の荷重情報を用いて特定人物の基準荷重情報を生成し、この基準荷重情報を前記判定情報とする基準荷重情報生成手段を更に備え、
前記判定手段は、前記荷重情報生成手段により生成された前記認証対象人物の足裏の前記領域毎の荷重情報と前記基準荷重情報とのユークリッド距離に基づいて、前記認証対象人物が前記特定人物であるか否かを判定することを特徴とする請求項２〜６のいずれかに記載の個人認証システム。
【請求項９】
前記認証対象人物は複数存在し、
前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、
前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離の合計値を前記認証対象人物毎に求め、前記合計値が最小となる認証対象人物を前記特定人物と判定することを特徴とする請求項８記載の個人認証システム。
【請求項１０】
前記認証対象人物は複数存在し、
前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、
前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、どの認証対象人物が前記特定人物に該当するかを判定し、最も多く特定人物に該当すると判定した認証対象人物を前記特定人物と判定することを特徴とする請求項８記載の個人認証システム。
【請求項１１】
前記認証対象人物は複数存在し、
前記荷重情報は、各認証対象人物の所定歩数分の荷重情報を含み、
前記判定手段は、各歩の荷重情報と前記基準荷重情報とのユークリッド距離を求め、１歩ごとに、ユークリッド距離が小さい順に順位付けし、各認証対象人物の平均順位を求め、前記平均順位が最大となる認証対象人物を前記特定人物と判定することを特徴とする請求項８記載の個人認証システム。
【請求項１２】
前記荷重情報は、前記領域毎の荷重の時間的推移を示す波形の特徴を表す情報であることを特徴とする請求項２〜１１のいずれかに記載の個人認証システム。
【請求項１３】
前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域の荷重の最大値と、対応する領域が所定の基準時刻から前記載置部に踏み込まれるまでの時間と、対応する領域の荷重が前記基準時刻から最大値になるまでの時間と、対応する領域が前記基準時刻から前記載置部より離れるまでの時間とを含むことを特徴とする請求項１２記載の個人認証システム。
【請求項１４】
前記計測手段は、前記測定対象人物の足裏が載置される載置部を備え、
前記領域毎の荷重情報は、対応する領域が前記載置部に踏み込み込まれている踏み込み期間内における最大の振幅値と、対応する領域が前記載置部から踏み抜かれている踏み抜き期間内における最大の振幅値と、前記踏み込み期間内において所定の基準時刻から最大の振幅値になるまでの時間と、前記踏み抜き期間内において前記基準時刻から最大の振幅値になるまでの時間とを含むことを特徴とする請求項１２記載の個人認証システム。
【請求項１５】
前記領域毎の荷重情報は、対応する領域の荷重の最大値と、所定の基準時刻から最大値になるまでの時間とを含むことを特徴とする請求項１２記載の個人認証システム。
【請求項１６】
前記計測手段は、人物の足裏が載置され、この足裏の荷重分布を測定する接触荷重分布センサから構成されることを特徴とする請求項１〜１５のいずれかに記載の個人認証システム。
【請求項１７】
前記計測手段は、
前記認証対象人物の足裏が載置され、内部の空圧が変化する複数のチューブと、
各チューブの内部の圧力変化を測定する空圧センサとを備えることを特徴とする請求項１〜１６のいずれかに記載の個人認証システム。
【請求項１８】
前記計測手段は、前記認証対象人物により着用される靴に取り付けられていることを特徴とする請求項１〜１７のいずれかに記載の個人認証システム。
【図１】
【図３】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図３１】
【図３２】
【図３３】
【図３４】
【図３５】
【図３６】
【図３７】
【図３８】
【図２】
【図４】
【図１１】
【図２２】
【図２３】
【図２４】
【図３９】
【図３】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図３１】
【図３２】
【図３３】
【図３４】
【図３５】
【図３６】
【図３７】
【図３８】
【図２】
【図４】
【図１１】
【図２２】
【図２３】
【図２４】
【図３９】
【公開番号】特開２００８−２５０９９６（Ｐ２００８−２５０９９６Ａ）
【公開日】平成２０年１０月１６日（２００８．１０．１６）
【国際特許分類】
【出願番号】特願２００８−５３８１４（Ｐ２００８−５３８１４）
【出願日】平成２０年３月４日（２００８．３．４）
【出願人】（０００１５６９３８）関西電力株式会社 (1,442)
【出願人】（０００１６３４１９）株式会社きんでん (37)
【Ｆターム（参考）】
【公開日】平成２０年１０月１６日（２００８．１０．１６）
【国際特許分類】
【出願日】平成２０年３月４日（２００８．３．４）
【出願人】（０００１５６９３８）関西電力株式会社 (1,442)
【出願人】（０００１６３４１９）株式会社きんでん (37)
【Ｆターム（参考）】
[ Back to top ]