監視装置
【構成】監視装置１０は、ショッピングモールに設置されるＬＲＦ（１２）を備える。ショッピングモール内の人間は、ＬＲＦ（１２）を利用して局所行動が検出され、位置情報ＤＢ（２０）に蓄積される。監視装置１０は、１時間毎に局所行動を読み出して、クラスタリング地図を作成し地図ＤＢ（２２）に蓄積する。さらに、管理装置１０は、１０分毎に局所行動を読み出してクラスタリング地図を作成し、異なる日付で、同じ時刻に検出された局所行動を含むクラスタリング地図を読み出す。２つのクラスタリング地図は空間グリッド毎に差分が算出され、監視装置１０は算出された差分が閾値以上であれば異常を通知する。
【効果】管理者は、異なる時間の局所行動を表わす２つのクラスタリング地図を比較することで異常を通知する監視装置１０を利用して、ショッピングモールを大局的に監視できるようになる。
【効果】管理者は、異なる時間の局所行動を表わす２つのクラスタリング地図を比較することで異常を通知する監視装置１０を利用して、ショッピングモールを大局的に監視できるようになる。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、監視装置に関し、特にたとえば複数の人間が任意に行動する場所を監視する、監視装置に関する。
【背景技術】
【０００２】
特許文献１に開示されている、見守りシステムには、見守り対象者の行動を、赤外線人感センサなどの設置型センサ、ＣＣＤカメラなどの画像センサ、電気ポットなどに組み込まれた組み込み型センサ、生活着に装着される加速度センサなどの装着センサおよびガスなどのユーティリティの使用状況を計測するユーティリティセンサなどによって検出する。そして、各センサによって検出されたデータから見守り対象者の異常が検出されると、検出された異常の緊急度に応じて、予め設定された送信許可データが伝送される。
【０００３】
また、非特許文献１に開示されている環境情報構造化システムには、自律行動によって人間に近づきサービスを開始することができるロボットが含まれ、そのロボットの活動範囲内に設けられるＬＲＦ（レーザーレンジファインダ）を利用して人間の歩行軌跡を計測し、その歩行軌跡から、複数の局所行動を認識する。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００２−２６１９８１号公報［H04M 11/04, G08B 25/04, G08B 25/08, H04N 7/18］
【非特許文献】
【０００５】
【非特許文献１】Takayuki Kanda, Dylan F. Glas, Masahiro Shiomi, Hiroshi Ishiguro and Norihiro Hagita, Who will be the customer?: A social robot that anticipates people’s behavior from their trajectories, Tenth International Conference on Ubiquitous Computing (UbiComp 2008), pp.380-389, 2008
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかし、特許文献１に示す背景技術では、特定の個人を対象としたものであり、複数の人間が任意に行動する広い場所を見守るシステムではない。また、非特許文献１では、人間の局所行動を取得して空間をクラスタリングすることができるが、そのようなクラスタリング技術を監視装置と組み合わせる技術はこれまで実現されていない。
【０００７】
それゆえに、この発明の主たる目的は、新規な、監視装置を提供することである。
【０００８】
この発明の他の目的は、複数の人間が居る場所を監視することができる、監視装置を提供することである。
【課題を解決するための手段】
【０００９】
この発明は、上記の課題を解決するために、以下の構成を採用した。なお、括弧内の参照符号および補足説明等は、この発明の理解を助けるために記述する実施形態との対応関係を示したものであって、この発明を何ら限定するものではない。
【００１０】
第１の発明は、複数の人間が任意に行動する場所を監視する監視装置であって、場所における複数の人間それぞれの局所行動を検出する検出手段、検出手段によって検出された第１所定時間分の局所行動をクラスタリングして第１地図を作成する第１地図作成手段、検出手段によって検出された第２所定時間分の局所行動をクラスタリングして第２地図を作成する第２地図作成手段、および第１地図および第２地図における相当するエリア内において異なる属性の位置が存在するとき、異常を通知する通知手段を備える、監視装置である。
【００１１】
第１の発明では、監視装置（１０）は、たとえばショッピングモールなど、複数の人間が任意に行動する場所を監視する。検出手段（１２，１６，Ｓ３）は、監視する場所に設けられるＬＲＦ１２などによって人間の歩行軌跡を検出し、その歩行軌跡から局所行動を検出する。また、第１所定時間とは１時間であり、第１地図作成手段（１６，Ｓ１５）は、現在時刻と同じ時刻であり、かつ１週間前に検出された、一時間分の局所行動をクラスタリングすることで第１地図を作成する。さらに、第２所定時間とは１０分であり、第２地図作成手段（１６，Ｓ３５）は、たとえば現在時刻から過去１０分間の局所行動をクラスタリングすることで、第２地図を作成する。そして、通知手段（１６，Ｓ４７）は、第１地図および第２地図における相当するエリア内において異なる属性の位置が存在する場合に、異常を通知する。
【００１２】
第１の発明によれば、異なる日付で、同じ時刻に検出される局所行動を表わす地図を作成し、比較することで異常を発見できる。これにより、管理者は、多くの人間が同時に利用する場所を大局的に監視できるようになる。
【００１３】
第２の発明は、第１の発明に従属し、エリアの属性は、個々の空間グリッド毎の局所行動のヒストグラムから求められ、相当するエリア内の空間グリッド毎のヒストグラムの差分を算出する算出手段をさらに備え、通知手段は、算出手段によって算出された差分が所定値以上であるとき、異常を通知する。
【００１４】
第２の発明では、第１地図および第２地図は、空間グリッド化されており、エリアの属性は、そのエリアで最も多く検出される局所行動であり、空間グリッド毎に検出される局所行動のヒストグラムから求めることができる。算出手段（１６，Ｓ４３）は、空間グリッド毎に局所行動のヒストグラムの差分（Ｄｉｆｆ）を算出する。そして、通知手段は、算出された差分が所定値（閾値ｔｈ）以上であるときに、異常を通知する。
【００１５】
第２の発明によれば、管理者は、閾値を任意に変更することで、監視装置が異常を通知する頻度を調節できるようになる。
【００１６】
第３の発明は、第１の発明または第２の発明に従属し、画像を表示可能な表示装置（２４）をさらに備え、通知手段は、表示装置に異常報知画像を表示することで異常を通知する。
【００１７】
第３の発明では、表示装置（２４）は、たとえばＬＣＤであり、監視装置の操作画面（２００）を表示する。そして、通知手段は、その操作画面に異常通知画像を表示する。
【００１８】
第３の発明によれば、管理者は、複数のカメラによる複数の画面ではなく、１つの画面に表示される異常通知画像を参照することで、大局的な監視を容易に行うことができるようになる。
【発明の効果】
【００１９】
この発明によれば、管理者は、異なる日付で、同じ時刻に検出される局所行動を表わす２つの地図を比較することで異常を通知する監視装置を利用して、多くの人間が同時に利用する場所を大局的に監視できるようになる。
【００２０】
この発明の上述の目的、その他の目的、特徴および利点は、図面を参照して行う以下の実施例の詳細な説明から一層明らかとなろう。
【図面の簡単な説明】
【００２１】
【図１】図１はこの発明の監視装置の概要を示す図解図である。
【図２】図２は図１に示す監視装置の電気的な構成を示すブロック図である。
【図３】図３は図１および図２に示すＬＲＦの計測領域を示す図解図である。
【図４】図４は図１および図２に示すＬＲＦを利用して取得された人間の歩行軌跡の一例を示す図解図である。
【図５】図５は図２に示すＣＰＵによって検出される局所行動と対応する歩行軌跡の一例を示す図解図である。
【図６】図６は図１に示すＬＲＦが設置される或る場所の地図を示す図解図である。
【図７】図７は図２に示す位置情報ＤＢおよび地図ＤＢに記憶されるデータの一例を示す図解図である。
【図８】図８はＣＰＵによって作成されるクラスタリング地図の一例を示す図解図である。
【図９】図９は図２に示すＬＣＤに表示されるクラスタリング地図の一例を示す図解図である。
【図１０】図１０は図２に示すメモリのメモリマップの一例を示す図解図である。
【図１１】図１１は図２に示すＣＰＵの位置情報記録処理を示すフロー図である。
【図１２】図１２は図２に示すＣＰＵの地図記録処理を示すフロー図である。
【図１３】図１３は図２に示すＣＰＵの監視処理を示すフロー図である。
【発明を実施するための形態】
【００２２】
図１を参照して、この実施例の監視装置１０は、ＬＲＦ１２ａ，１２ｂを含む数台のＬＲＦを備え、ＬＲＦ１２ａ，１２ｂは人間Ａを含む多くの人間が任意に行動できる場所に設置される。そして、監視装置１０はＬＲＦ１２ａ，１２ｂを利用して人間Ａの位置を検出することで、ＬＲＦ１２ａ，１２ｂが設置される場所を監視する。また、人間Ａが任意に行動できる場所とは、会社のフロア、博物館、ショッピングモールまたはアトラクション会場などであり、ＬＲＦ１２ａ，１２ｂは様々な場所（環境）に設置される。
【００２３】
なお、ここでは簡単のため人間は１人しか示していないが、監視装置１０は２人以上の位置を同時に検出することができる。
【００２４】
図２は監視装置１０の電気的な構成を示すブロック図である。この図２を参照して、監視装置１０は、ＬＲＦ１２ａ−１２ｆおよびＣＰＵ１６を含む。このＣＰＵ１６は、マイクロコンピュータ或いはプロセサとも呼ばれ、先述したＬＲＦ１２ａおよびＬＲＦ１２ｂに加えて、ＬＲＦ１２ｃ，ＬＲＦ１２ｄ，ＬＲＦ１２ｅおよびＬＲＦ１２ｆともそれぞれ接続される。さらに、ＣＰＵ１６は、メモリ１８、位置情報ＤＢ２０、地図ＤＢ２２、ＬＣＤ２４および入力装置２６ともそれぞれ接続される。なお、ＬＲＦ１２ａ−１２ｆを区別する必要がない場合には、まとめて「ＬＲＦ１２」と言う。
【００２５】
ＬＲＦ１２は、レーザーを照射し、物体（人間も含む）に反射して戻ってくるまでの時間から当該物体ための距離を計測するものである。たとえば、トランスミッタ（図示せず）から照射したレーザーを回転ミラー（図示せず）で反射させて、前方を扇状に一定角度（たとえば、０．５度）ずつスキャンする。ここで、ＬＲＦ１２としては、SICK社製のレーザーレンジファインダ（型式 LMS200）を用いることができる。このレーザーレンジファインダを用いた場合には、距離８mを±１５mm程度の誤差で計測可能である。
【００２６】
メモリ１８は、図示は省略をするが、ＲＯＭ，ＨＤＤおよびＲＡＭを含み、ＲＯＭおよびＨＤＤには、監視装置１０の動作を制御するための制御プログラムが予め記憶される。たとえば、ＬＲＦ１２による人間の検出に必要なプログラムなどが記録される。また、ＲＡＭは、ワークメモリやバッファメモリとして用いられる。
【００２７】
位置情報データベース（位置情報ＤＢ）２０は、ＬＲＦ１２によって検出された人間の位置と局所的な行動（局所行動）とを蓄積するためのデータベースであり、ＨＤＤのような記憶媒体を用いて構成される。なお、人間の値は、ｘ−ｙ座標で示される。
【００２８】
地図データベース（地図ＤＢ）２２は、１時間毎（第１所定時間）に作成されるクラスタリング地図（図８参照）を蓄積するためのデータベースであり、位置情報ＤＢ２０と同様にＨＤＤのような記憶媒体を用いて構成される。
【００２９】
表示装置であるＬＣＤ２４は、監視装置１０の操作画面（図１０参照）を表示し、その操作画面には監視している場所を示す地図などが含まれる。また、入力装置２６はマイクや、マウスおよびキーボード（図示せず）から構成される。たとえば、管理者はＬＣＤ２４に表示された操作画面を見ながら、マウスなどを使って監視装置１０を操作する。
【００３０】
次にＬＲＦ１２について詳細に説明する。図３を参照して、ＬＲＦ１２の計測範囲は、半径Ｒ（Ｒ≒８m）の半円形状（扇形）で示される。つまり、ＬＲＦ１２は、その正面方向を中心とした場合に、左右９０°の方向を所定の距離（Ｒ）以内で計測可能である。
【００３１】
また、使用しているレーザーは、日本工業規格 JIS C 6802「レーザー製品の安全基準」におけるクラス１レーザーであり、人の眼に対して影響を及ぼさない安全なレベルである。また、この実施例では、ＬＲＦ１２のサンプリングレートを３７Hzとした。これは、歩行するなどにより移動する人間の位置を連続して検出するためである。
【００３２】
さらに、先述したように、ＬＲＦ１２は、様々な場所に配置される。たとえば、ＬＲＦ１２ａ−１２ｆの各々は、検出領域が重なるように配置され、図示は省略するが、床面から約９０cmの高さに固定される。この高さは、被験者の胴体と腕（両腕）とを検出可能とするためであり、たとえば、日本人の成人の平均身長から算出される。したがって、監視装置１０を設ける場所（地域ないし国）や被験者の年齢ないし年代（たとえば、子供，大人）に応じて、ＬＲＦ１２を固定する高さを適宜変更するようにしてよい。なお、本実施例では、設定されるＬＲＦ１２は６台としたが、２台以上であれば、任意の台数のＬＲＦ１２を設置してもよい。
【００３３】
このような構成の監視装置１０では、ＣＰＵ１６がＬＲＦ１２からの出力（距離データ）に基づいて、パーティクルフィルタを用いて、人間の現在位置の変化を推定する。そして、推定された現在位置の変化は歩行軌跡として記録される。
【００３４】
たとえば、図４を参照して、ＬＲＦ１２ａ，１２ｂは互いに向い合せに設置され、ＬＲＦ１２ａ，１２ｂの計測範囲が重なる範囲は斜線が付されて示される。斜線が付された範囲は検出領域Ｅとされ、この検出領域Ｅ内では人間の現在位置が連続的に検出される。そして、連続的に検出された現在位置のデータは歩行軌跡として示され、たとえば歩行軌跡Ｋａおよび歩行軌跡Ｋｂのように示される。なお、歩行軌跡Ｋａ，Ｋｂを区別する必要がない場合には、まとめて「歩行軌跡Ｋ」と言う。
【００３５】
ここで、本実施例では、ＳＶＭ（Support Vector Machine）によって人間の歩行軌跡Ｋから人間の歩き方の判別を行い、監視装置１０は、局所行動を検出する。なお、ＳＶＭによる判別手法については、広く一般的な方法であるため、ここでは詳細な説明を省略する。
【００３６】
まず、歩行軌跡Ｋは特徴量データが抽出される。具体的には、歩行軌跡Ｋは、左側中央が始点となるように方向の正規化処理が施され、方向の正規化後の歩行軌跡Ｋと囲む長方形の幅（縦軸方向）および長さ（横軸方向）が算出される。また、歩行軌跡Ｋは近似する折れ線に変換され、連続する２つの直線のなす角がそれぞれ算出される。さらに、歩行軌跡Ｋにおける一定時間毎の変化量を時間で微分することで、移動軌跡Ｋの速度が算出される。そして、このように求められた、歩行軌跡Ｋの終点、歩行軌跡Ｋを囲む長方形の幅と長さ、歩行軌跡Ｋのなす角度および速度のそれぞれが歩行軌跡Ｋの特徴量データとされる。
【００３７】
次に、特徴量データに対してラベル付けし、ラベル付けされた特徴量データをＳＶＭに学習させる。以下、特徴量データに対するラベル付けおよびＳＶＭの学習について詳細に説明する。
【００３８】
本実施例では、特徴量データをラベル付けするために、「歩き方」、「歩く速さ」、「短時間の歩き方」および「短時間の歩く速さ」の４つのクラスを定義する。「歩き方」のクラスは、「まっすぐ」、「右に曲がる」、「左に曲がる」、「うろうろする」、「Ｕターン」および「不明」の６つのカテゴリから構成され、５．１秒の歩行軌跡Ｋから抽出される特徴量データがラベル付けされる。そして、ＳＶＭにはラベル付けされた２２６個の特徴量データを学習させる。また、「歩く速さ」のクラスは、「走っている」、「忙しく歩く」、「ゆっくり歩く」、「止まっている」および「待っている」の５つのカテゴリから構成され、４．９秒の歩行軌跡Ｋから抽出される特量データがラベル付けされる。そして、ＳＶＭにはラベル付けされた１６６個の特徴量データを学習させる。
【００３９】
「短時間の歩き方」のクラスは、「歩き方」と類似するカテゴリから構成さる。そして、ＳＶＭには、２．１秒の歩行軌跡Ｋであり、かつ「うろうろする」のカテゴリを除いた、１５０個の特徴量データをＳＶＭに学習させる。「短時間の歩く速さ」のクラスは、「歩く速さ」と類似するカテゴリから構成される。そして、ＳＶＭには、２．２秒の歩行軌跡Ｋであり、かつ「待っている」のカテゴリを除いた、１５９の特徴量データを学習させる。
【００４０】
そして、監視装置１０では、このように学習したＳＶＭによって検出される歩行軌跡Ｋから局所行動を判別し、判別結果をマージする。具体的には、「歩き方」のクラスでは「右に曲がる」、「左に曲がる」および「Ｕターン」を「うろうろする」にマージし、「歩く速さ」のクラスでは「待っている」を「止まっている」にマージする。さらに、「短時間の歩き方」のクラスは「歩き方」のクラスにマージされ、「短時間の歩く速さ」のクラスは「歩く速さ」のクラスにマージされる。これにより、監視装置１０は、「忙しく歩く」、「ゆっくり歩く」、「うろうろする」および「止まっている」の４つの局所行動を検出することができるようになる。
【００４１】
このように検出された各局所行動のそれぞれに対応する歩行軌跡Ｋを図５（Ａ）−図５（Ｄ）に示す。図５（Ａ）は「忙しく歩く」の局所行動の一例を示しており、歩行軌跡Ｋの形状が直線的であり、始点と終点との距離が長い。また、図５（Ｂ）は「ゆっくり歩く」の局所行動の一例を示しており、歩行軌跡Ｋの形状が直線的ではあるが、始点と終点との距離が短い。また、図５（Ｃ）は「うろうろする」の局所行動の一例を示しており、歩行軌跡Ｋが約９０度以下で２回曲がっている。そして、図５（Ｄ）は「止まっている」の局所行動の一例を示しており、歩行軌跡Ｋにおける始点と終点とがほぼ変わらない位置にある。
【００４２】
ここで、本実施例では、時刻ｔに検出されるｎ人（ｎ：自然数）の位置情報を、位置情報Ｐｎ（ｔ）と表わし、この位置情報Ｐｎ（ｔ）は人間の位置（ｘ、ｙ）に加え、４種類の局所行動の有無を表わすブール変数ｂ１−ｂ４を含むものと定義する。そして、位置情報ＤＢ２０には、位置情報Ｐｎ（ｔ）が記録される。また、位置情報Ｐｎ（ｔ）は、数１に示す式で表すことができる。
【００４３】
［数１］
Ｐｎ（Ｔ）＝｛ｘ，ｙ，ｂ１，ｂ２，ｂ３，ｂ４｝
ここで、ブール変数ｂ１は「忙しく歩く」の有無を表わし、ブール変数ｂ２は「ゆっくり歩く」の有無を表わし、ブール変数ｂ３は「うろうろする」の有無を表わし、ブール変数ｂ４は「止まっている」の有無を表わす。
【００４４】
なお、歩行軌跡Ｋから抽出される特徴量は４つだけに限らず、加重方向指数ヒストグラム法などによって抽出された特徴量が用いられてもよい。さらに、汎用性を高めるために、判別結果が全くマージされなくてもよし、マージされる判別結果が減らされてもよい。そして、検出される局所行動に応じてブール変数の数も変化するため、位置情報Ｐｎ（ｔ）が含むブール変数の数も変化する。また、本実施例におけるブール変数ｂ１−ｂ４のそれぞれは、０〜１００までの値をとる。
【００４５】
次に、ＬＲＦ１２によって人間の位置を検出可能な空間（検出領域Ｅ）を、２５cm四方で空間グリッド化する。ここで、監視装置１０は、位置情報ＤＢ２０に記録される位置情報Ｐｎ（ｔ）を読み出すことで、或る時刻ｔの空間グリッドｉにおいて、空間グリッドｉ内の局所行動の生起回数を集計することができる。そして、その集計結果として、「忙しく歩く」、「ゆっくり歩く」、「うろうろする」および「止まっている」の局所行動それぞれに対応する、ヒストグラムＨ１（ｉ，ｔ）、ヒストグラムＨ２（ｉ，ｔ）、ヒストグラムＨ３（ｉ，ｔ）およびヒストグラムＨ４（ｉ，ｔ）のそれぞれが算出される。
【００４６】
たとえば、検出領域Ｅが図６（Ａ）に示す地図に対応する場所（本実施例ではショッピングモール）に含まれる場合に、短時間の集計によって得られたヒストグラムに基づき、局所行動を空間グリッドｉ毎に視覚化すると図６（Ｂ）に示す局所行動地図のようになる。図６（Ｂ）を参照して、局所行動が検出された空間グリッドｉには、検出された局所行動に対応する色が彩色され、局所行動が検出されていない空間グリッドｉは何も彩色されない。たとえば、青色（図６（Ｂ）では、濃い右斜線で示す）に彩色された空間グリッドｉは局所行動が「忙しく歩く」を示し、緑色（図６（Ｂ）では、濃い左斜線で示す）に彩色された空間グリッドｉは局所行動が「ゆっくり歩く」を示し、桃色（図６（Ｂ）では、薄い右斜線で示す）に彩色された空間グリッドｉは局所行動が「うろうろする」を示し、茶色（図６（Ｂ）では、網掛けで示す）に彩色された空間グリッドｉは、局所行動が「止まっている」を示す。なお、図６（Ａ）の地図に示される「案内図」と「店舗」とは、図６（Ｂ）、後述する図７（Ａ）、図７（Ｂ）および図８（Ａ）、図８（Ｂ）では省略する。
【００４７】
そして、本実施例では、全ての空間グリッドｉに対して４種類の局所行動のヒストグラムを算出した後に、類似する空間グリッドを周知のＩＳＯＤＡＴＡ法によりクラスタリングし、クラスタリング地図を作成する。具体的には、ヒストグラムＨ１−Ｈ４から空間グリッドｉと隣接する空間グリッドｊの類似度をそれぞれ算出し、類似度が近い空間グリッドｉと隣接する空間グリッドｊとを併合して空間パーティション（エリア）を作成する。また、空間グリッドｉと隣接する空間グリッドｊの類似度は数２に示す式から算出される。
【００４８】
【数２】
【００４９】
たとえば、図７（Ａ）を参照して、時間Ｓ１（時刻ｔ１、時刻ｔ２、時刻ｔ３，…）分の位置情報Ｐｎ（ｔ）を位置情報ＤＢ２０から読み出し、各空間グリッドをクラスタリングすると、図７（Ｂ）に示すクラスタリング地図が作成される。なお、図７（Ａ）では、読み出された位置情報Ｐｎ（ｔ）を局所行動地図として表わす。
【００５０】
図７（Ｂ）を参照して、時間Ｓ１分の位置情報Ｐｎ（ｔ）に基づいて作成されたクラスタリング地図では、青色のエリアは「忙しく歩く」の局所行動を属性として持っており、この青色のエリアでは人々が早歩きで歩き去る。たとえば、この青色のエリアは通路などに多く設定されている。緑色のエリアは「ゆっくり歩く」の局所行動を属性として持っており、この緑色のエリアでは人々はゆっくり歩く。たとえば、緑色のエリアは店舗の前に比較的近い処や、案内図の前などに設定されている。桃色のエリアは「うろうろする」の局所行動を属性として持っており、この桃色のエリアでは人々はうろうろする。たとえば、この桃色のエリアは店舗の前に設定されている。茶色のエリアは「止まっている」の局所行動を属性として持っており、この茶色のエリアでは人々は立ち止まっている。たとえば、この茶色のエリアはベンチ（図示せず）の周辺や、店舗の前の一部に設定されている。
【００５１】
また、図７（Ｂ）に示す時間Ｓ１、時間Ｓ２および時間Ｓ３は、同じ時間幅（１時間）ではあるが、時刻が異なる。たとえば、時間Ｓ１は１４時から１５時までの１時間であり、時間Ｓ２は１５時から１６時までの１時間であり、時間Ｓ３は１６時から１７時までの１時間である。
【００５２】
なお、地図ＤＢ２２には、約２週間分のクラスタリング地図が記録される。また、地図ＤＢ２２に記憶されるクラスタリング地図には、各空間グリッドのヒストグラムＨ１−Ｈ４も併せて記憶され、さらにクラスタリング地図が作成された時刻などの時間情報が付加される。
【００５３】
ここで、本実施例では、過去の同じ曜日の同じ時刻に記録されたクラスタリング地図と、現在のクラスタリング地図とを比較することで、ショッピングモール内の異常を検出する。
【００５４】
具体的には、監視装置１０は、現在時刻から過去１０分間（第２所定時間）の位置情報Ｐｎ（ｔ）を読み出し、クラスタリング地図を作成する。さらに、監視装置１０は、同じ時刻を含み１週間前に作成された過去のクラスタリング地図を読み出す。監視装置１０は、読み出した過去のクラスタリング地図（第１地図）と作成した現在のクラスタリング地図（第２地図）において、空間グリッドｉ毎にヒストグラムＨ１−Ｈ４の差分Ｄｉｆｆを算出し、その差分が閾値（所定値）ｔｈ以上であるか否かを判断する。そして、差分Ｄｉｆｆが閾値ｔｈ以上である場合に、ＬＣＤ２４に異常報知画像を表示させる。また、差分Ｄｉｆｆは、数３に示す式によって算出される。なお、数３では、現在のクラスタリング地図におけるヒストグラムをヒストグラムＨＮとし、過去のクラスタリング地図におけるヒストグラムをヒストグラムＨＰとする。
【００５５】
【数３】
【００５６】
図８（Ａ）および図８（Ｂ）は、過去のクラスタリング地図および現在のクラスタリング地図である。たとえば、図８（Ａ）に示す過去のクラスタリング地図は、２月２０日（金）の１３時から１４時までの１時間の位置情報Ｐｎ（ｔ）から作成されたクラスタリング地図であり、地図ＤＢ２２から読み出される。一方、図８（Ｂ）現在のクラスタリング地図は、２月２７日（金）の１３時１０分から過去１０分間の位置情報Ｐｎ（ｔ）から作成されたクラスタリング地図である。
【００５７】
ここで、過去のクラスタリング地図におけるエリアＧ１と現在のクラスタリング地図におけるエリアＧ１’とは同じ属性ではあるが、エリアの形状が異なる。つまり、エリアＧ１’は「止まっている」の属性を持つエリアＢＲを囲っているが、エリアＧ１は、エリアＢＲを囲っていない。そのため、図８（Ｂ）に示すエリアＢＲを構成する空間グリッドの差分Ｄｉｆｆは閾値ｔｈ以上の値となり、図９に示す異常報知画像が操作画面２００内に表示される。
【００５８】
なお、閾値ｔｈは、各ヒストグラムＨ１−Ｈ４の標準偏差に基づいて算出される。また、差分Ｄｉｆｆは、空間グリッド毎に算出したが、エリア毎に算出してもよく、この場合は、エリアを構成する全ての空間グリッドの差分の総和を算出し、その総和を差分Ｄｉｆｆとする。
【００５９】
図９を参照して、ＬＣＤ２４に表示される操作画面２００には、時刻表示２０２、異常表示２０４および地図表示２０６が含まれる。時刻表示２０２はＣＰＵ１６が含むＲＴＣが出力する現在日時であり、たとえば「２００９年 ２月２７日（金） １３時１０分」と表示される。異常表示２０４は、異常が検出されたときに、異常を検出したことを報知する文字列を表示し、たとえば「異常発生」の文字列が表示される。なお、異常表示２０４は、異常を検出しない場合には何も表示されない。
【００６０】
そして、地図表示２０６は、たとえば図８（Ｂ）に示すようなクラスタリング地図が表示される。また、異常を検出した状態では、表示されるクラスタリング地図に、異常を検出したエリアが異常エリアＡＥとして示され、エリアの境界線が太線で表示される。たとえば、図９では、図８（Ｂ）で示したエリアＢＲが異常エリアＡＥとして表示される。
【００６１】
たとえば、「止まっている」の属性を持つエリアが異常エリアＡＥである場合には、そのエリア内で人が倒れている場合や、歩行者同士での喧嘩が起きていると推測される。また、「忙しく歩く」の属性を持つエリアが異常エリアＡＥである場合には、不審物が発見されたり、不審者による騒動が起きたりして、歩行者が逃げていることが推測される。また、「うろうろする」の属性を持つエリアが異常エリアＡＥである場合には、迷子が居ると推測される。
【００６２】
このように、管理者は、異常エリアＡＥの属性を見ることで、どのような異常であるかを推測することが可能になる。また、管理者は、複数のカメラによる複数の画面ではなく、１つの画面に表示される異常表示２０４および地図表示２０６を参照することで、大局的な監視を容易に行うことができるようになる。
【００６３】
図１０は、図２に示すメモリ１８のメモリマップ３００の一例を示す図解図である。図１０に示すように、メモリ１８はプログラム記憶領域３０２およびデータ記憶領域３０４を含む。プログラム記憶領域３０２には、位置情報記録プログラム３１２、地図記録プログラム３１４および監視プログラム３１６が記憶される。
【００６４】
位置情報記録プログラム３１２は、たとえばショッピングモール内に居る人間の位置情報Ｐｎ（ｔ）を逐次記録するためのプログラムである。地図記録プログラム３１４は、第１所定時間（たとえば１時間）毎にクラスタリング地図を作成し、地図ＤＢ２２に蓄積するプログラムである。監視プログラム３１６は、第２所定時間（たとえば、１０分）毎にクラスタリング地図を作成することで、監視する場所の異常を検出するプログラムである。
【００６５】
なお、図示は省略するが、監視装置１０を動作させるためのプログラムは、操作画面２００を表示するためのプログラムなどを含む。
【００６６】
また、データ記憶領域３０４には、表示画像バッファ３３０が設けられると共に、ＧＵＩデータ３３２および地図データ３３４が記録される。表示画像バッファ３３０は、ＬＣＤ２４に表示するクラスタリング地図のデータを一時的に記録するためのバッファである。ＧＵＩデータ３３２は、操作画面２００を表示するための画像データなどである。地図データ３３４は、クラスタリング地図を作成する際に元になる地図のデータであり、たとえば図６（Ａ）に示す地図である。
【００６７】
なお、図示は省略するが、データ記憶領域３０４には、様々な計算の結果を一時的に格納するバッファや、１時間を計測するカウンタおよび１０分を計測するカウンタなどが設けられると共に、監視装置１０の動作に必要な他のカウンタやフラグも設けられる。
【００６８】
具体的には、監視装置１０のＣＰＵ１６は、図１１、図１２および図１３に示す処理を含む、複数の処理を並列的に実行する。
【００６９】
図１１に示すように、監視装置１０のＣＰＵ１６は、位置情報記録処理を実行すると、ステップＳ１では、現在時刻を記録する。つまり、ＣＰＵ１６が含むＲＴＣから得られる現在時刻を記録する。続いて、ステップＳ３では、各人間の位置情報Ｐｎ（ｔ）を取得する。つまり、ＬＲＦ１２によって検出される、人間の位置および局所行動を記録する。続いて、ステップＳ５では、現在位置と位置情報Ｐｎ（Ｔ）とを位置情報ＤＢ２０に記録し、ステップＳ１に戻る。つまり、位置情報Ｐｎ（Ｔ）と、その位置情報Ｐｎ（ｔ）を検出した現在時刻とを対応付けて、位置情報ＤＢ２０に記録する。なお、ステップＳ３の処理を実行するＣＰＵ１６は検出手段として機能する。
【００７０】
図１２は、地図記録処理のフロー図である。図１２に示すように、ＣＰＵ１６は、ステップＳ１１では所定時間が経過したか否かを判断する。つまり、前回のクラスタリング地図を作成してから、第１所定時間である１時間が経過したか否かを判断する。ステップＳ１１で“ＮＯ”であれば、つまり１時間が経過していなければ、ステップＳ１１の処理を繰り返し実行する。一方、ステップＳ１１で“ＹＥＳ”であれば、つまり前回のクラスタリング地図を作成してから１時間が経過していれば、ステップＳ１３で所定時間分の位置情報Ｐｎ（ｔ）を読み出す。つまり、１時間分の位置情報Ｐｎ（ｔ）を位置情報ＤＢ２０から読み出す。
【００７１】
続いて、ステップＳ１５では、読み出された位置情報Ｐｎ（ｔ）に基づいてＭ個（空間グリッドの総数）の空間グリッドを含むクラスタリング地図を作成する。たとえば、１３時から１４時までの１時間分の位置情報Ｐｎ（ｔ）を読み出し、Ｍ個を含むクラスタリング地図を作成する。続いて、ステップＳ１７では、作成したクラスタリング地図を地図ＤＢ２２に記録し、ステップＳ１１に戻る。つまり、ステップＳ１５で作成されたクラスタリング地図を地図ＤＢ２２に記録する。
【００７２】
なお、ステップ１７の処理が終了すると、第１所定時間である１時間を計測するカウンタを初期化（リセット）する。また、ステップＳ１５の処理を実行するＣＰＵ１６は第１地図作成手段として機能する。
【００７３】
図１３は、監視処理のフロー図である。図１３で示すように、ＣＰＵ１６は、ステップＳ３１では、終了操作か否かを判断する。たとえば、入力装置２６に対して、遠隔操作処理を終了する操作がされたか否かを判断する。ステップＳ３１で“ＹＥＳ”であれば、つまり終了操作がされれば、遠隔操作処理を終了する。一方、ステップＳ３１で“ＮＯ”であば、つまり終了操作がされていなければ、ステップＳ３３で第２所定時間である１０分間の位置情報Ｐｎ（ｔ）を読み出す。つまり、現在時刻から過去１０分間の位置情報Ｐｎ（ｔ）を読み出す。続いて、ステップＳ３５では、読み出された位置情報Ｐｎ（ｔ）に基づいて、Ｍ個の空間グリッドを含むクラスタリング地図を作成する。つまり、過去１０分間の位置情報から、Ｍ個の空間グリッドを含むクラスタリング地図を作成する。なお、ステップＳ３５の処理を実行するＣＰＵ１６は、第２地図作成手段として機能する。
【００７４】
続いて、ステップＳ３７では、地図ＤＢ２２からクラスタリング地図を読み出す。つまり、１週間前の日付で、同じ時刻を含むクラスタリング地図を読み出す。たとえば、現在時刻が２月２７日の１３時１０分であれば、２月２０日の１３時から１４時までの位置情報Ｐｎ（ｔ）から作成したクラスタリング地図を読み出す。
【００７５】
続いて、ステップＳ３９では、変数ｉを初期化する。つまり、任意の空間グリッドを指定するための変数ｉの値を１とする。続いてステップＳ４１では、変数ｉが総数Ｍより大きいか否かを判断する。つまり、クラスタリング地図に含まれる空間グリッド全てに対して、差分Ｄｉｆｆが算出されたか否かを判断する。ステップＳ４１で“ＹＥＳ”であれば、つまり全ての空間グリッドに対して差分Ｄｉｆｆが算出されていれば、ステップＳ３１に戻る。一方、ステップＳ４１で“ＮＯ”であれば、つまり全ての空間グリッドに対して差分Ｄｉｆｆが算出されていなければ、ステップＳ４３で空間グリッドｉにおける局所行動のヒストグラムの差分Ｄｉｆｆを算出する。つまり、上述した数３に示す式に基づいて差分Ｄｉｆｆを算出する。なお、ステップＳ４３の処理を実行するＣＰＵ１６は、算出手段として機能する。
【００７６】
続いて、ステップＳ４５では差分Ｄｉｆｆは閾値ｔｈより大きいか否かを判断する。つまり、ステップＳ４３で算出された空間グリッドｉにおける差分Ｄｉｆｆが閾値ｔｈよりも大きいか否かを判断する。これにより、空間グリッドｉで異常が発生しているか否かが判断される。ステップＳ４５で“ＮＯ”であれば、つまり空間グリッドｉ内で異常が検出されなければ、ステップＳ４９に進む。一方、ステップＳ４５で“ＹＥＳ”であれば、つまり空間グリッドｉで異常が検出されれば、ステップＳ４７で警告をＬＣＤ２４に表示する。たとえば、図９に示すように、異常表示２０４には「異常発生」の文字列が表示され、さらに地図表示２０６内には異常エリアＡＥが表示される。なお、ステップＳ４７の処理を実行するＣＰＵ１６は通知手段として機能する。続いて、ステップＳ４９では、変数ｉをインクリメントし、ステップＳ４１に戻る。つまり、次の空間グリッドを指定するために変数ｉをインクリメントする。
【００７７】
なお、ステップＳ４７の処理による通知は、ＬＣＤ２４に異常報知画像を表示するだけでなく、スピーカによる音声や、ＬＥＤなどによる光などによって異常を通知するようにしてもよい。
【００７８】
また、遠隔操作される自立型ロボットを備える監視装置であれば、その自立型ロボットに異常を通知してもよい。さらに、異常の通知を受けた自律型ロボットが異常エリアＡＥに向かうようにしてもよい。そして、ネットワークによるデータ通信が可能な管理装置であれば、ネットワークを経由して、携帯電話などの小型端末に異常を通知するようにしてもよい。
【００７９】
さらに、監視装置１０は、ＬＲＦ１２が設置される場所に設置される監視カメラを備えていてもよく、異常が検出されると、異常が検出されたエリアの画像をＬＣＤ２４に表示するようにしてもよい。
【００８０】
この実施例によれば、監視装置１０は、複数の人間が任意に行動するショッピングモールなどに設置されるＬＲＦ１２を備える。このショッピングモール内に居る人間は、ＬＲＦ１２を利用して局所行動が検出され、位置情報ＤＢ２０に蓄積される。監視装置１０は、１時間毎に位置情報ＤＢ２０から局所行動を読み出し、クラスタリング地図を作成して、地図ＤＢ２２に蓄積する。また、監視装置１０は、１０分毎に局所行動を読み出し、さらにクラスタリング地図を作成する。そして、監視装置１０は、異なる日付で、同じ時刻の局所行動を含むクラスタリング地図を地図ＤＢ２２から読み出し、作成したクラスタリング地図に含まれる空間グリッド毎にヒストグラムの差分Ｄｉｆｆを算出して、その差分Ｄｉｆｆが閾値ｔｈ以上であれば異常を通知する。
【００８１】
このように、監視装置１０は、異なる日付で、同じ時刻に検出される局所行動を表わす２つのクラスタリング地図を比較することで異常を通知する。これにより、管理者は、ショッピングモール内を大局的に監視できるようになる。
【００８２】
また、管理者は、閾値ｔｈを任意に変更することで、監視装置１０が異常を通知する頻度を調節できるようになる。
【００８３】
なお、地図ＤＢ２２から読み出される過去のクラスタリング地図は、１週間前だけに限らず、１日前や１ヵ月前のクラスタリング地図でもよいし、平日や休日のラベルが付与されたクラスタリング地図であってもよい。
【００８４】
また、人間の位置を検出するためにＬＲＦ１２を用いたが、ＬＲＦ１２に代えて超音波距離センサやミリ波レーダなどを用いて、人間の位置を検出してもよい。
【符号の説明】
【００８５】
１０ …遠隔操作装置
１２ａ−１２ｆ …ＬＲＦ
１６ …ＣＰＵ
１８ …メモリ
２０ …位置情報ＤＢ
２２ …地図ＤＢ
２４ …ＬＣＤ
【技術分野】
【０００１】
この発明は、監視装置に関し、特にたとえば複数の人間が任意に行動する場所を監視する、監視装置に関する。
【背景技術】
【０００２】
特許文献１に開示されている、見守りシステムには、見守り対象者の行動を、赤外線人感センサなどの設置型センサ、ＣＣＤカメラなどの画像センサ、電気ポットなどに組み込まれた組み込み型センサ、生活着に装着される加速度センサなどの装着センサおよびガスなどのユーティリティの使用状況を計測するユーティリティセンサなどによって検出する。そして、各センサによって検出されたデータから見守り対象者の異常が検出されると、検出された異常の緊急度に応じて、予め設定された送信許可データが伝送される。
【０００３】
また、非特許文献１に開示されている環境情報構造化システムには、自律行動によって人間に近づきサービスを開始することができるロボットが含まれ、そのロボットの活動範囲内に設けられるＬＲＦ（レーザーレンジファインダ）を利用して人間の歩行軌跡を計測し、その歩行軌跡から、複数の局所行動を認識する。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００２−２６１９８１号公報［H04M 11/04, G08B 25/04, G08B 25/08, H04N 7/18］
【非特許文献】
【０００５】
【非特許文献１】Takayuki Kanda, Dylan F. Glas, Masahiro Shiomi, Hiroshi Ishiguro and Norihiro Hagita, Who will be the customer?: A social robot that anticipates people’s behavior from their trajectories, Tenth International Conference on Ubiquitous Computing (UbiComp 2008), pp.380-389, 2008
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかし、特許文献１に示す背景技術では、特定の個人を対象としたものであり、複数の人間が任意に行動する広い場所を見守るシステムではない。また、非特許文献１では、人間の局所行動を取得して空間をクラスタリングすることができるが、そのようなクラスタリング技術を監視装置と組み合わせる技術はこれまで実現されていない。
【０００７】
それゆえに、この発明の主たる目的は、新規な、監視装置を提供することである。
【０００８】
この発明の他の目的は、複数の人間が居る場所を監視することができる、監視装置を提供することである。
【課題を解決するための手段】
【０００９】
この発明は、上記の課題を解決するために、以下の構成を採用した。なお、括弧内の参照符号および補足説明等は、この発明の理解を助けるために記述する実施形態との対応関係を示したものであって、この発明を何ら限定するものではない。
【００１０】
第１の発明は、複数の人間が任意に行動する場所を監視する監視装置であって、場所における複数の人間それぞれの局所行動を検出する検出手段、検出手段によって検出された第１所定時間分の局所行動をクラスタリングして第１地図を作成する第１地図作成手段、検出手段によって検出された第２所定時間分の局所行動をクラスタリングして第２地図を作成する第２地図作成手段、および第１地図および第２地図における相当するエリア内において異なる属性の位置が存在するとき、異常を通知する通知手段を備える、監視装置である。
【００１１】
第１の発明では、監視装置（１０）は、たとえばショッピングモールなど、複数の人間が任意に行動する場所を監視する。検出手段（１２，１６，Ｓ３）は、監視する場所に設けられるＬＲＦ１２などによって人間の歩行軌跡を検出し、その歩行軌跡から局所行動を検出する。また、第１所定時間とは１時間であり、第１地図作成手段（１６，Ｓ１５）は、現在時刻と同じ時刻であり、かつ１週間前に検出された、一時間分の局所行動をクラスタリングすることで第１地図を作成する。さらに、第２所定時間とは１０分であり、第２地図作成手段（１６，Ｓ３５）は、たとえば現在時刻から過去１０分間の局所行動をクラスタリングすることで、第２地図を作成する。そして、通知手段（１６，Ｓ４７）は、第１地図および第２地図における相当するエリア内において異なる属性の位置が存在する場合に、異常を通知する。
【００１２】
第１の発明によれば、異なる日付で、同じ時刻に検出される局所行動を表わす地図を作成し、比較することで異常を発見できる。これにより、管理者は、多くの人間が同時に利用する場所を大局的に監視できるようになる。
【００１３】
第２の発明は、第１の発明に従属し、エリアの属性は、個々の空間グリッド毎の局所行動のヒストグラムから求められ、相当するエリア内の空間グリッド毎のヒストグラムの差分を算出する算出手段をさらに備え、通知手段は、算出手段によって算出された差分が所定値以上であるとき、異常を通知する。
【００１４】
第２の発明では、第１地図および第２地図は、空間グリッド化されており、エリアの属性は、そのエリアで最も多く検出される局所行動であり、空間グリッド毎に検出される局所行動のヒストグラムから求めることができる。算出手段（１６，Ｓ４３）は、空間グリッド毎に局所行動のヒストグラムの差分（Ｄｉｆｆ）を算出する。そして、通知手段は、算出された差分が所定値（閾値ｔｈ）以上であるときに、異常を通知する。
【００１５】
第２の発明によれば、管理者は、閾値を任意に変更することで、監視装置が異常を通知する頻度を調節できるようになる。
【００１６】
第３の発明は、第１の発明または第２の発明に従属し、画像を表示可能な表示装置（２４）をさらに備え、通知手段は、表示装置に異常報知画像を表示することで異常を通知する。
【００１７】
第３の発明では、表示装置（２４）は、たとえばＬＣＤであり、監視装置の操作画面（２００）を表示する。そして、通知手段は、その操作画面に異常通知画像を表示する。
【００１８】
第３の発明によれば、管理者は、複数のカメラによる複数の画面ではなく、１つの画面に表示される異常通知画像を参照することで、大局的な監視を容易に行うことができるようになる。
【発明の効果】
【００１９】
この発明によれば、管理者は、異なる日付で、同じ時刻に検出される局所行動を表わす２つの地図を比較することで異常を通知する監視装置を利用して、多くの人間が同時に利用する場所を大局的に監視できるようになる。
【００２０】
この発明の上述の目的、その他の目的、特徴および利点は、図面を参照して行う以下の実施例の詳細な説明から一層明らかとなろう。
【図面の簡単な説明】
【００２１】
【図１】図１はこの発明の監視装置の概要を示す図解図である。
【図２】図２は図１に示す監視装置の電気的な構成を示すブロック図である。
【図３】図３は図１および図２に示すＬＲＦの計測領域を示す図解図である。
【図４】図４は図１および図２に示すＬＲＦを利用して取得された人間の歩行軌跡の一例を示す図解図である。
【図５】図５は図２に示すＣＰＵによって検出される局所行動と対応する歩行軌跡の一例を示す図解図である。
【図６】図６は図１に示すＬＲＦが設置される或る場所の地図を示す図解図である。
【図７】図７は図２に示す位置情報ＤＢおよび地図ＤＢに記憶されるデータの一例を示す図解図である。
【図８】図８はＣＰＵによって作成されるクラスタリング地図の一例を示す図解図である。
【図９】図９は図２に示すＬＣＤに表示されるクラスタリング地図の一例を示す図解図である。
【図１０】図１０は図２に示すメモリのメモリマップの一例を示す図解図である。
【図１１】図１１は図２に示すＣＰＵの位置情報記録処理を示すフロー図である。
【図１２】図１２は図２に示すＣＰＵの地図記録処理を示すフロー図である。
【図１３】図１３は図２に示すＣＰＵの監視処理を示すフロー図である。
【発明を実施するための形態】
【００２２】
図１を参照して、この実施例の監視装置１０は、ＬＲＦ１２ａ，１２ｂを含む数台のＬＲＦを備え、ＬＲＦ１２ａ，１２ｂは人間Ａを含む多くの人間が任意に行動できる場所に設置される。そして、監視装置１０はＬＲＦ１２ａ，１２ｂを利用して人間Ａの位置を検出することで、ＬＲＦ１２ａ，１２ｂが設置される場所を監視する。また、人間Ａが任意に行動できる場所とは、会社のフロア、博物館、ショッピングモールまたはアトラクション会場などであり、ＬＲＦ１２ａ，１２ｂは様々な場所（環境）に設置される。
【００２３】
なお、ここでは簡単のため人間は１人しか示していないが、監視装置１０は２人以上の位置を同時に検出することができる。
【００２４】
図２は監視装置１０の電気的な構成を示すブロック図である。この図２を参照して、監視装置１０は、ＬＲＦ１２ａ−１２ｆおよびＣＰＵ１６を含む。このＣＰＵ１６は、マイクロコンピュータ或いはプロセサとも呼ばれ、先述したＬＲＦ１２ａおよびＬＲＦ１２ｂに加えて、ＬＲＦ１２ｃ，ＬＲＦ１２ｄ，ＬＲＦ１２ｅおよびＬＲＦ１２ｆともそれぞれ接続される。さらに、ＣＰＵ１６は、メモリ１８、位置情報ＤＢ２０、地図ＤＢ２２、ＬＣＤ２４および入力装置２６ともそれぞれ接続される。なお、ＬＲＦ１２ａ−１２ｆを区別する必要がない場合には、まとめて「ＬＲＦ１２」と言う。
【００２５】
ＬＲＦ１２は、レーザーを照射し、物体（人間も含む）に反射して戻ってくるまでの時間から当該物体ための距離を計測するものである。たとえば、トランスミッタ（図示せず）から照射したレーザーを回転ミラー（図示せず）で反射させて、前方を扇状に一定角度（たとえば、０．５度）ずつスキャンする。ここで、ＬＲＦ１２としては、SICK社製のレーザーレンジファインダ（型式 LMS200）を用いることができる。このレーザーレンジファインダを用いた場合には、距離８mを±１５mm程度の誤差で計測可能である。
【００２６】
メモリ１８は、図示は省略をするが、ＲＯＭ，ＨＤＤおよびＲＡＭを含み、ＲＯＭおよびＨＤＤには、監視装置１０の動作を制御するための制御プログラムが予め記憶される。たとえば、ＬＲＦ１２による人間の検出に必要なプログラムなどが記録される。また、ＲＡＭは、ワークメモリやバッファメモリとして用いられる。
【００２７】
位置情報データベース（位置情報ＤＢ）２０は、ＬＲＦ１２によって検出された人間の位置と局所的な行動（局所行動）とを蓄積するためのデータベースであり、ＨＤＤのような記憶媒体を用いて構成される。なお、人間の値は、ｘ−ｙ座標で示される。
【００２８】
地図データベース（地図ＤＢ）２２は、１時間毎（第１所定時間）に作成されるクラスタリング地図（図８参照）を蓄積するためのデータベースであり、位置情報ＤＢ２０と同様にＨＤＤのような記憶媒体を用いて構成される。
【００２９】
表示装置であるＬＣＤ２４は、監視装置１０の操作画面（図１０参照）を表示し、その操作画面には監視している場所を示す地図などが含まれる。また、入力装置２６はマイクや、マウスおよびキーボード（図示せず）から構成される。たとえば、管理者はＬＣＤ２４に表示された操作画面を見ながら、マウスなどを使って監視装置１０を操作する。
【００３０】
次にＬＲＦ１２について詳細に説明する。図３を参照して、ＬＲＦ１２の計測範囲は、半径Ｒ（Ｒ≒８m）の半円形状（扇形）で示される。つまり、ＬＲＦ１２は、その正面方向を中心とした場合に、左右９０°の方向を所定の距離（Ｒ）以内で計測可能である。
【００３１】
また、使用しているレーザーは、日本工業規格 JIS C 6802「レーザー製品の安全基準」におけるクラス１レーザーであり、人の眼に対して影響を及ぼさない安全なレベルである。また、この実施例では、ＬＲＦ１２のサンプリングレートを３７Hzとした。これは、歩行するなどにより移動する人間の位置を連続して検出するためである。
【００３２】
さらに、先述したように、ＬＲＦ１２は、様々な場所に配置される。たとえば、ＬＲＦ１２ａ−１２ｆの各々は、検出領域が重なるように配置され、図示は省略するが、床面から約９０cmの高さに固定される。この高さは、被験者の胴体と腕（両腕）とを検出可能とするためであり、たとえば、日本人の成人の平均身長から算出される。したがって、監視装置１０を設ける場所（地域ないし国）や被験者の年齢ないし年代（たとえば、子供，大人）に応じて、ＬＲＦ１２を固定する高さを適宜変更するようにしてよい。なお、本実施例では、設定されるＬＲＦ１２は６台としたが、２台以上であれば、任意の台数のＬＲＦ１２を設置してもよい。
【００３３】
このような構成の監視装置１０では、ＣＰＵ１６がＬＲＦ１２からの出力（距離データ）に基づいて、パーティクルフィルタを用いて、人間の現在位置の変化を推定する。そして、推定された現在位置の変化は歩行軌跡として記録される。
【００３４】
たとえば、図４を参照して、ＬＲＦ１２ａ，１２ｂは互いに向い合せに設置され、ＬＲＦ１２ａ，１２ｂの計測範囲が重なる範囲は斜線が付されて示される。斜線が付された範囲は検出領域Ｅとされ、この検出領域Ｅ内では人間の現在位置が連続的に検出される。そして、連続的に検出された現在位置のデータは歩行軌跡として示され、たとえば歩行軌跡Ｋａおよび歩行軌跡Ｋｂのように示される。なお、歩行軌跡Ｋａ，Ｋｂを区別する必要がない場合には、まとめて「歩行軌跡Ｋ」と言う。
【００３５】
ここで、本実施例では、ＳＶＭ（Support Vector Machine）によって人間の歩行軌跡Ｋから人間の歩き方の判別を行い、監視装置１０は、局所行動を検出する。なお、ＳＶＭによる判別手法については、広く一般的な方法であるため、ここでは詳細な説明を省略する。
【００３６】
まず、歩行軌跡Ｋは特徴量データが抽出される。具体的には、歩行軌跡Ｋは、左側中央が始点となるように方向の正規化処理が施され、方向の正規化後の歩行軌跡Ｋと囲む長方形の幅（縦軸方向）および長さ（横軸方向）が算出される。また、歩行軌跡Ｋは近似する折れ線に変換され、連続する２つの直線のなす角がそれぞれ算出される。さらに、歩行軌跡Ｋにおける一定時間毎の変化量を時間で微分することで、移動軌跡Ｋの速度が算出される。そして、このように求められた、歩行軌跡Ｋの終点、歩行軌跡Ｋを囲む長方形の幅と長さ、歩行軌跡Ｋのなす角度および速度のそれぞれが歩行軌跡Ｋの特徴量データとされる。
【００３７】
次に、特徴量データに対してラベル付けし、ラベル付けされた特徴量データをＳＶＭに学習させる。以下、特徴量データに対するラベル付けおよびＳＶＭの学習について詳細に説明する。
【００３８】
本実施例では、特徴量データをラベル付けするために、「歩き方」、「歩く速さ」、「短時間の歩き方」および「短時間の歩く速さ」の４つのクラスを定義する。「歩き方」のクラスは、「まっすぐ」、「右に曲がる」、「左に曲がる」、「うろうろする」、「Ｕターン」および「不明」の６つのカテゴリから構成され、５．１秒の歩行軌跡Ｋから抽出される特徴量データがラベル付けされる。そして、ＳＶＭにはラベル付けされた２２６個の特徴量データを学習させる。また、「歩く速さ」のクラスは、「走っている」、「忙しく歩く」、「ゆっくり歩く」、「止まっている」および「待っている」の５つのカテゴリから構成され、４．９秒の歩行軌跡Ｋから抽出される特量データがラベル付けされる。そして、ＳＶＭにはラベル付けされた１６６個の特徴量データを学習させる。
【００３９】
「短時間の歩き方」のクラスは、「歩き方」と類似するカテゴリから構成さる。そして、ＳＶＭには、２．１秒の歩行軌跡Ｋであり、かつ「うろうろする」のカテゴリを除いた、１５０個の特徴量データをＳＶＭに学習させる。「短時間の歩く速さ」のクラスは、「歩く速さ」と類似するカテゴリから構成される。そして、ＳＶＭには、２．２秒の歩行軌跡Ｋであり、かつ「待っている」のカテゴリを除いた、１５９の特徴量データを学習させる。
【００４０】
そして、監視装置１０では、このように学習したＳＶＭによって検出される歩行軌跡Ｋから局所行動を判別し、判別結果をマージする。具体的には、「歩き方」のクラスでは「右に曲がる」、「左に曲がる」および「Ｕターン」を「うろうろする」にマージし、「歩く速さ」のクラスでは「待っている」を「止まっている」にマージする。さらに、「短時間の歩き方」のクラスは「歩き方」のクラスにマージされ、「短時間の歩く速さ」のクラスは「歩く速さ」のクラスにマージされる。これにより、監視装置１０は、「忙しく歩く」、「ゆっくり歩く」、「うろうろする」および「止まっている」の４つの局所行動を検出することができるようになる。
【００４１】
このように検出された各局所行動のそれぞれに対応する歩行軌跡Ｋを図５（Ａ）−図５（Ｄ）に示す。図５（Ａ）は「忙しく歩く」の局所行動の一例を示しており、歩行軌跡Ｋの形状が直線的であり、始点と終点との距離が長い。また、図５（Ｂ）は「ゆっくり歩く」の局所行動の一例を示しており、歩行軌跡Ｋの形状が直線的ではあるが、始点と終点との距離が短い。また、図５（Ｃ）は「うろうろする」の局所行動の一例を示しており、歩行軌跡Ｋが約９０度以下で２回曲がっている。そして、図５（Ｄ）は「止まっている」の局所行動の一例を示しており、歩行軌跡Ｋにおける始点と終点とがほぼ変わらない位置にある。
【００４２】
ここで、本実施例では、時刻ｔに検出されるｎ人（ｎ：自然数）の位置情報を、位置情報Ｐｎ（ｔ）と表わし、この位置情報Ｐｎ（ｔ）は人間の位置（ｘ、ｙ）に加え、４種類の局所行動の有無を表わすブール変数ｂ１−ｂ４を含むものと定義する。そして、位置情報ＤＢ２０には、位置情報Ｐｎ（ｔ）が記録される。また、位置情報Ｐｎ（ｔ）は、数１に示す式で表すことができる。
【００４３】
［数１］
Ｐｎ（Ｔ）＝｛ｘ，ｙ，ｂ１，ｂ２，ｂ３，ｂ４｝
ここで、ブール変数ｂ１は「忙しく歩く」の有無を表わし、ブール変数ｂ２は「ゆっくり歩く」の有無を表わし、ブール変数ｂ３は「うろうろする」の有無を表わし、ブール変数ｂ４は「止まっている」の有無を表わす。
【００４４】
なお、歩行軌跡Ｋから抽出される特徴量は４つだけに限らず、加重方向指数ヒストグラム法などによって抽出された特徴量が用いられてもよい。さらに、汎用性を高めるために、判別結果が全くマージされなくてもよし、マージされる判別結果が減らされてもよい。そして、検出される局所行動に応じてブール変数の数も変化するため、位置情報Ｐｎ（ｔ）が含むブール変数の数も変化する。また、本実施例におけるブール変数ｂ１−ｂ４のそれぞれは、０〜１００までの値をとる。
【００４５】
次に、ＬＲＦ１２によって人間の位置を検出可能な空間（検出領域Ｅ）を、２５cm四方で空間グリッド化する。ここで、監視装置１０は、位置情報ＤＢ２０に記録される位置情報Ｐｎ（ｔ）を読み出すことで、或る時刻ｔの空間グリッドｉにおいて、空間グリッドｉ内の局所行動の生起回数を集計することができる。そして、その集計結果として、「忙しく歩く」、「ゆっくり歩く」、「うろうろする」および「止まっている」の局所行動それぞれに対応する、ヒストグラムＨ１（ｉ，ｔ）、ヒストグラムＨ２（ｉ，ｔ）、ヒストグラムＨ３（ｉ，ｔ）およびヒストグラムＨ４（ｉ，ｔ）のそれぞれが算出される。
【００４６】
たとえば、検出領域Ｅが図６（Ａ）に示す地図に対応する場所（本実施例ではショッピングモール）に含まれる場合に、短時間の集計によって得られたヒストグラムに基づき、局所行動を空間グリッドｉ毎に視覚化すると図６（Ｂ）に示す局所行動地図のようになる。図６（Ｂ）を参照して、局所行動が検出された空間グリッドｉには、検出された局所行動に対応する色が彩色され、局所行動が検出されていない空間グリッドｉは何も彩色されない。たとえば、青色（図６（Ｂ）では、濃い右斜線で示す）に彩色された空間グリッドｉは局所行動が「忙しく歩く」を示し、緑色（図６（Ｂ）では、濃い左斜線で示す）に彩色された空間グリッドｉは局所行動が「ゆっくり歩く」を示し、桃色（図６（Ｂ）では、薄い右斜線で示す）に彩色された空間グリッドｉは局所行動が「うろうろする」を示し、茶色（図６（Ｂ）では、網掛けで示す）に彩色された空間グリッドｉは、局所行動が「止まっている」を示す。なお、図６（Ａ）の地図に示される「案内図」と「店舗」とは、図６（Ｂ）、後述する図７（Ａ）、図７（Ｂ）および図８（Ａ）、図８（Ｂ）では省略する。
【００４７】
そして、本実施例では、全ての空間グリッドｉに対して４種類の局所行動のヒストグラムを算出した後に、類似する空間グリッドを周知のＩＳＯＤＡＴＡ法によりクラスタリングし、クラスタリング地図を作成する。具体的には、ヒストグラムＨ１−Ｈ４から空間グリッドｉと隣接する空間グリッドｊの類似度をそれぞれ算出し、類似度が近い空間グリッドｉと隣接する空間グリッドｊとを併合して空間パーティション（エリア）を作成する。また、空間グリッドｉと隣接する空間グリッドｊの類似度は数２に示す式から算出される。
【００４８】
【数２】
【００４９】
たとえば、図７（Ａ）を参照して、時間Ｓ１（時刻ｔ１、時刻ｔ２、時刻ｔ３，…）分の位置情報Ｐｎ（ｔ）を位置情報ＤＢ２０から読み出し、各空間グリッドをクラスタリングすると、図７（Ｂ）に示すクラスタリング地図が作成される。なお、図７（Ａ）では、読み出された位置情報Ｐｎ（ｔ）を局所行動地図として表わす。
【００５０】
図７（Ｂ）を参照して、時間Ｓ１分の位置情報Ｐｎ（ｔ）に基づいて作成されたクラスタリング地図では、青色のエリアは「忙しく歩く」の局所行動を属性として持っており、この青色のエリアでは人々が早歩きで歩き去る。たとえば、この青色のエリアは通路などに多く設定されている。緑色のエリアは「ゆっくり歩く」の局所行動を属性として持っており、この緑色のエリアでは人々はゆっくり歩く。たとえば、緑色のエリアは店舗の前に比較的近い処や、案内図の前などに設定されている。桃色のエリアは「うろうろする」の局所行動を属性として持っており、この桃色のエリアでは人々はうろうろする。たとえば、この桃色のエリアは店舗の前に設定されている。茶色のエリアは「止まっている」の局所行動を属性として持っており、この茶色のエリアでは人々は立ち止まっている。たとえば、この茶色のエリアはベンチ（図示せず）の周辺や、店舗の前の一部に設定されている。
【００５１】
また、図７（Ｂ）に示す時間Ｓ１、時間Ｓ２および時間Ｓ３は、同じ時間幅（１時間）ではあるが、時刻が異なる。たとえば、時間Ｓ１は１４時から１５時までの１時間であり、時間Ｓ２は１５時から１６時までの１時間であり、時間Ｓ３は１６時から１７時までの１時間である。
【００５２】
なお、地図ＤＢ２２には、約２週間分のクラスタリング地図が記録される。また、地図ＤＢ２２に記憶されるクラスタリング地図には、各空間グリッドのヒストグラムＨ１−Ｈ４も併せて記憶され、さらにクラスタリング地図が作成された時刻などの時間情報が付加される。
【００５３】
ここで、本実施例では、過去の同じ曜日の同じ時刻に記録されたクラスタリング地図と、現在のクラスタリング地図とを比較することで、ショッピングモール内の異常を検出する。
【００５４】
具体的には、監視装置１０は、現在時刻から過去１０分間（第２所定時間）の位置情報Ｐｎ（ｔ）を読み出し、クラスタリング地図を作成する。さらに、監視装置１０は、同じ時刻を含み１週間前に作成された過去のクラスタリング地図を読み出す。監視装置１０は、読み出した過去のクラスタリング地図（第１地図）と作成した現在のクラスタリング地図（第２地図）において、空間グリッドｉ毎にヒストグラムＨ１−Ｈ４の差分Ｄｉｆｆを算出し、その差分が閾値（所定値）ｔｈ以上であるか否かを判断する。そして、差分Ｄｉｆｆが閾値ｔｈ以上である場合に、ＬＣＤ２４に異常報知画像を表示させる。また、差分Ｄｉｆｆは、数３に示す式によって算出される。なお、数３では、現在のクラスタリング地図におけるヒストグラムをヒストグラムＨＮとし、過去のクラスタリング地図におけるヒストグラムをヒストグラムＨＰとする。
【００５５】
【数３】
【００５６】
図８（Ａ）および図８（Ｂ）は、過去のクラスタリング地図および現在のクラスタリング地図である。たとえば、図８（Ａ）に示す過去のクラスタリング地図は、２月２０日（金）の１３時から１４時までの１時間の位置情報Ｐｎ（ｔ）から作成されたクラスタリング地図であり、地図ＤＢ２２から読み出される。一方、図８（Ｂ）現在のクラスタリング地図は、２月２７日（金）の１３時１０分から過去１０分間の位置情報Ｐｎ（ｔ）から作成されたクラスタリング地図である。
【００５７】
ここで、過去のクラスタリング地図におけるエリアＧ１と現在のクラスタリング地図におけるエリアＧ１’とは同じ属性ではあるが、エリアの形状が異なる。つまり、エリアＧ１’は「止まっている」の属性を持つエリアＢＲを囲っているが、エリアＧ１は、エリアＢＲを囲っていない。そのため、図８（Ｂ）に示すエリアＢＲを構成する空間グリッドの差分Ｄｉｆｆは閾値ｔｈ以上の値となり、図９に示す異常報知画像が操作画面２００内に表示される。
【００５８】
なお、閾値ｔｈは、各ヒストグラムＨ１−Ｈ４の標準偏差に基づいて算出される。また、差分Ｄｉｆｆは、空間グリッド毎に算出したが、エリア毎に算出してもよく、この場合は、エリアを構成する全ての空間グリッドの差分の総和を算出し、その総和を差分Ｄｉｆｆとする。
【００５９】
図９を参照して、ＬＣＤ２４に表示される操作画面２００には、時刻表示２０２、異常表示２０４および地図表示２０６が含まれる。時刻表示２０２はＣＰＵ１６が含むＲＴＣが出力する現在日時であり、たとえば「２００９年 ２月２７日（金） １３時１０分」と表示される。異常表示２０４は、異常が検出されたときに、異常を検出したことを報知する文字列を表示し、たとえば「異常発生」の文字列が表示される。なお、異常表示２０４は、異常を検出しない場合には何も表示されない。
【００６０】
そして、地図表示２０６は、たとえば図８（Ｂ）に示すようなクラスタリング地図が表示される。また、異常を検出した状態では、表示されるクラスタリング地図に、異常を検出したエリアが異常エリアＡＥとして示され、エリアの境界線が太線で表示される。たとえば、図９では、図８（Ｂ）で示したエリアＢＲが異常エリアＡＥとして表示される。
【００６１】
たとえば、「止まっている」の属性を持つエリアが異常エリアＡＥである場合には、そのエリア内で人が倒れている場合や、歩行者同士での喧嘩が起きていると推測される。また、「忙しく歩く」の属性を持つエリアが異常エリアＡＥである場合には、不審物が発見されたり、不審者による騒動が起きたりして、歩行者が逃げていることが推測される。また、「うろうろする」の属性を持つエリアが異常エリアＡＥである場合には、迷子が居ると推測される。
【００６２】
このように、管理者は、異常エリアＡＥの属性を見ることで、どのような異常であるかを推測することが可能になる。また、管理者は、複数のカメラによる複数の画面ではなく、１つの画面に表示される異常表示２０４および地図表示２０６を参照することで、大局的な監視を容易に行うことができるようになる。
【００６３】
図１０は、図２に示すメモリ１８のメモリマップ３００の一例を示す図解図である。図１０に示すように、メモリ１８はプログラム記憶領域３０２およびデータ記憶領域３０４を含む。プログラム記憶領域３０２には、位置情報記録プログラム３１２、地図記録プログラム３１４および監視プログラム３１６が記憶される。
【００６４】
位置情報記録プログラム３１２は、たとえばショッピングモール内に居る人間の位置情報Ｐｎ（ｔ）を逐次記録するためのプログラムである。地図記録プログラム３１４は、第１所定時間（たとえば１時間）毎にクラスタリング地図を作成し、地図ＤＢ２２に蓄積するプログラムである。監視プログラム３１６は、第２所定時間（たとえば、１０分）毎にクラスタリング地図を作成することで、監視する場所の異常を検出するプログラムである。
【００６５】
なお、図示は省略するが、監視装置１０を動作させるためのプログラムは、操作画面２００を表示するためのプログラムなどを含む。
【００６６】
また、データ記憶領域３０４には、表示画像バッファ３３０が設けられると共に、ＧＵＩデータ３３２および地図データ３３４が記録される。表示画像バッファ３３０は、ＬＣＤ２４に表示するクラスタリング地図のデータを一時的に記録するためのバッファである。ＧＵＩデータ３３２は、操作画面２００を表示するための画像データなどである。地図データ３３４は、クラスタリング地図を作成する際に元になる地図のデータであり、たとえば図６（Ａ）に示す地図である。
【００６７】
なお、図示は省略するが、データ記憶領域３０４には、様々な計算の結果を一時的に格納するバッファや、１時間を計測するカウンタおよび１０分を計測するカウンタなどが設けられると共に、監視装置１０の動作に必要な他のカウンタやフラグも設けられる。
【００６８】
具体的には、監視装置１０のＣＰＵ１６は、図１１、図１２および図１３に示す処理を含む、複数の処理を並列的に実行する。
【００６９】
図１１に示すように、監視装置１０のＣＰＵ１６は、位置情報記録処理を実行すると、ステップＳ１では、現在時刻を記録する。つまり、ＣＰＵ１６が含むＲＴＣから得られる現在時刻を記録する。続いて、ステップＳ３では、各人間の位置情報Ｐｎ（ｔ）を取得する。つまり、ＬＲＦ１２によって検出される、人間の位置および局所行動を記録する。続いて、ステップＳ５では、現在位置と位置情報Ｐｎ（Ｔ）とを位置情報ＤＢ２０に記録し、ステップＳ１に戻る。つまり、位置情報Ｐｎ（Ｔ）と、その位置情報Ｐｎ（ｔ）を検出した現在時刻とを対応付けて、位置情報ＤＢ２０に記録する。なお、ステップＳ３の処理を実行するＣＰＵ１６は検出手段として機能する。
【００７０】
図１２は、地図記録処理のフロー図である。図１２に示すように、ＣＰＵ１６は、ステップＳ１１では所定時間が経過したか否かを判断する。つまり、前回のクラスタリング地図を作成してから、第１所定時間である１時間が経過したか否かを判断する。ステップＳ１１で“ＮＯ”であれば、つまり１時間が経過していなければ、ステップＳ１１の処理を繰り返し実行する。一方、ステップＳ１１で“ＹＥＳ”であれば、つまり前回のクラスタリング地図を作成してから１時間が経過していれば、ステップＳ１３で所定時間分の位置情報Ｐｎ（ｔ）を読み出す。つまり、１時間分の位置情報Ｐｎ（ｔ）を位置情報ＤＢ２０から読み出す。
【００７１】
続いて、ステップＳ１５では、読み出された位置情報Ｐｎ（ｔ）に基づいてＭ個（空間グリッドの総数）の空間グリッドを含むクラスタリング地図を作成する。たとえば、１３時から１４時までの１時間分の位置情報Ｐｎ（ｔ）を読み出し、Ｍ個を含むクラスタリング地図を作成する。続いて、ステップＳ１７では、作成したクラスタリング地図を地図ＤＢ２２に記録し、ステップＳ１１に戻る。つまり、ステップＳ１５で作成されたクラスタリング地図を地図ＤＢ２２に記録する。
【００７２】
なお、ステップ１７の処理が終了すると、第１所定時間である１時間を計測するカウンタを初期化（リセット）する。また、ステップＳ１５の処理を実行するＣＰＵ１６は第１地図作成手段として機能する。
【００７３】
図１３は、監視処理のフロー図である。図１３で示すように、ＣＰＵ１６は、ステップＳ３１では、終了操作か否かを判断する。たとえば、入力装置２６に対して、遠隔操作処理を終了する操作がされたか否かを判断する。ステップＳ３１で“ＹＥＳ”であれば、つまり終了操作がされれば、遠隔操作処理を終了する。一方、ステップＳ３１で“ＮＯ”であば、つまり終了操作がされていなければ、ステップＳ３３で第２所定時間である１０分間の位置情報Ｐｎ（ｔ）を読み出す。つまり、現在時刻から過去１０分間の位置情報Ｐｎ（ｔ）を読み出す。続いて、ステップＳ３５では、読み出された位置情報Ｐｎ（ｔ）に基づいて、Ｍ個の空間グリッドを含むクラスタリング地図を作成する。つまり、過去１０分間の位置情報から、Ｍ個の空間グリッドを含むクラスタリング地図を作成する。なお、ステップＳ３５の処理を実行するＣＰＵ１６は、第２地図作成手段として機能する。
【００７４】
続いて、ステップＳ３７では、地図ＤＢ２２からクラスタリング地図を読み出す。つまり、１週間前の日付で、同じ時刻を含むクラスタリング地図を読み出す。たとえば、現在時刻が２月２７日の１３時１０分であれば、２月２０日の１３時から１４時までの位置情報Ｐｎ（ｔ）から作成したクラスタリング地図を読み出す。
【００７５】
続いて、ステップＳ３９では、変数ｉを初期化する。つまり、任意の空間グリッドを指定するための変数ｉの値を１とする。続いてステップＳ４１では、変数ｉが総数Ｍより大きいか否かを判断する。つまり、クラスタリング地図に含まれる空間グリッド全てに対して、差分Ｄｉｆｆが算出されたか否かを判断する。ステップＳ４１で“ＹＥＳ”であれば、つまり全ての空間グリッドに対して差分Ｄｉｆｆが算出されていれば、ステップＳ３１に戻る。一方、ステップＳ４１で“ＮＯ”であれば、つまり全ての空間グリッドに対して差分Ｄｉｆｆが算出されていなければ、ステップＳ４３で空間グリッドｉにおける局所行動のヒストグラムの差分Ｄｉｆｆを算出する。つまり、上述した数３に示す式に基づいて差分Ｄｉｆｆを算出する。なお、ステップＳ４３の処理を実行するＣＰＵ１６は、算出手段として機能する。
【００７６】
続いて、ステップＳ４５では差分Ｄｉｆｆは閾値ｔｈより大きいか否かを判断する。つまり、ステップＳ４３で算出された空間グリッドｉにおける差分Ｄｉｆｆが閾値ｔｈよりも大きいか否かを判断する。これにより、空間グリッドｉで異常が発生しているか否かが判断される。ステップＳ４５で“ＮＯ”であれば、つまり空間グリッドｉ内で異常が検出されなければ、ステップＳ４９に進む。一方、ステップＳ４５で“ＹＥＳ”であれば、つまり空間グリッドｉで異常が検出されれば、ステップＳ４７で警告をＬＣＤ２４に表示する。たとえば、図９に示すように、異常表示２０４には「異常発生」の文字列が表示され、さらに地図表示２０６内には異常エリアＡＥが表示される。なお、ステップＳ４７の処理を実行するＣＰＵ１６は通知手段として機能する。続いて、ステップＳ４９では、変数ｉをインクリメントし、ステップＳ４１に戻る。つまり、次の空間グリッドを指定するために変数ｉをインクリメントする。
【００７７】
なお、ステップＳ４７の処理による通知は、ＬＣＤ２４に異常報知画像を表示するだけでなく、スピーカによる音声や、ＬＥＤなどによる光などによって異常を通知するようにしてもよい。
【００７８】
また、遠隔操作される自立型ロボットを備える監視装置であれば、その自立型ロボットに異常を通知してもよい。さらに、異常の通知を受けた自律型ロボットが異常エリアＡＥに向かうようにしてもよい。そして、ネットワークによるデータ通信が可能な管理装置であれば、ネットワークを経由して、携帯電話などの小型端末に異常を通知するようにしてもよい。
【００７９】
さらに、監視装置１０は、ＬＲＦ１２が設置される場所に設置される監視カメラを備えていてもよく、異常が検出されると、異常が検出されたエリアの画像をＬＣＤ２４に表示するようにしてもよい。
【００８０】
この実施例によれば、監視装置１０は、複数の人間が任意に行動するショッピングモールなどに設置されるＬＲＦ１２を備える。このショッピングモール内に居る人間は、ＬＲＦ１２を利用して局所行動が検出され、位置情報ＤＢ２０に蓄積される。監視装置１０は、１時間毎に位置情報ＤＢ２０から局所行動を読み出し、クラスタリング地図を作成して、地図ＤＢ２２に蓄積する。また、監視装置１０は、１０分毎に局所行動を読み出し、さらにクラスタリング地図を作成する。そして、監視装置１０は、異なる日付で、同じ時刻の局所行動を含むクラスタリング地図を地図ＤＢ２２から読み出し、作成したクラスタリング地図に含まれる空間グリッド毎にヒストグラムの差分Ｄｉｆｆを算出して、その差分Ｄｉｆｆが閾値ｔｈ以上であれば異常を通知する。
【００８１】
このように、監視装置１０は、異なる日付で、同じ時刻に検出される局所行動を表わす２つのクラスタリング地図を比較することで異常を通知する。これにより、管理者は、ショッピングモール内を大局的に監視できるようになる。
【００８２】
また、管理者は、閾値ｔｈを任意に変更することで、監視装置１０が異常を通知する頻度を調節できるようになる。
【００８３】
なお、地図ＤＢ２２から読み出される過去のクラスタリング地図は、１週間前だけに限らず、１日前や１ヵ月前のクラスタリング地図でもよいし、平日や休日のラベルが付与されたクラスタリング地図であってもよい。
【００８４】
また、人間の位置を検出するためにＬＲＦ１２を用いたが、ＬＲＦ１２に代えて超音波距離センサやミリ波レーダなどを用いて、人間の位置を検出してもよい。
【符号の説明】
【００８５】
１０ …遠隔操作装置
１２ａ−１２ｆ …ＬＲＦ
１６ …ＣＰＵ
１８ …メモリ
２０ …位置情報ＤＢ
２２ …地図ＤＢ
２４ …ＬＣＤ
【特許請求の範囲】
【請求項１】
複数の人間が任意に行動する場所を監視する監視装置であって、
前記場所における前記複数の人間それぞれの局所行動を検出する検出手段、
前記検出手段によって検出された第１所定時間分の局所行動をクラスタリングして第１地図を作成する第１地図作成手段、
前記検出手段によって検出された第２所定時間分の局所行動をクラスタリングして第２地図を作成する第２地図作成手段、および
前記第１地図および前記第２地図における相当するエリア内において異なる属性の位置が存在するとき、異常を通知する通知手段を備える、監視装置。
【請求項２】
前記エリアの属性は、個々の空間グリッド毎の前記局所行動のヒストグラムから求められ、
前記相当するエリア内の空間グリッド毎のヒストグラムの差分を算出する算出手段をさらに備え、
前記通知手段は、前記算出手段によって算出された差分が所定値以上であるとき、異常を通知する、請求項１記載の監視装置。
【請求項３】
画像を表示可能な表示装置をさらに備え、
前記通知手段は、前記表示装置に異常報知画像を表示することで異常を通知する、請求項１または２記載の監視装置。
【請求項１】
複数の人間が任意に行動する場所を監視する監視装置であって、
前記場所における前記複数の人間それぞれの局所行動を検出する検出手段、
前記検出手段によって検出された第１所定時間分の局所行動をクラスタリングして第１地図を作成する第１地図作成手段、
前記検出手段によって検出された第２所定時間分の局所行動をクラスタリングして第２地図を作成する第２地図作成手段、および
前記第１地図および前記第２地図における相当するエリア内において異なる属性の位置が存在するとき、異常を通知する通知手段を備える、監視装置。
【請求項２】
前記エリアの属性は、個々の空間グリッド毎の前記局所行動のヒストグラムから求められ、
前記相当するエリア内の空間グリッド毎のヒストグラムの差分を算出する算出手段をさらに備え、
前記通知手段は、前記算出手段によって算出された差分が所定値以上であるとき、異常を通知する、請求項１記載の監視装置。
【請求項３】
画像を表示可能な表示装置をさらに備え、
前記通知手段は、前記表示装置に異常報知画像を表示することで異常を通知する、請求項１または２記載の監視装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【公開番号】特開２０１０−２３１３９３（Ｐ２０１０−２３１３９３Ａ）
【公開日】平成２２年１０月１４日（２０１０．１０．１４）
【国際特許分類】
【出願番号】特願２００９−７６８３７（Ｐ２００９−７６８３７）
【出願日】平成２１年３月２６日（２００９．３．２６）
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成２０年４月１日付平成２０年度科学技術総合研究委託事業「科学技術連携施策群の効果的・効率的な推進 施設内外の人計測と環境情報構造化の研究」、産業技術力強化法第１９条の適用を受ける特許出願
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
【公開日】平成２２年１０月１４日（２０１０．１０．１４）
【国際特許分類】
【出願日】平成２１年３月２６日（２００９．３．２６）
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成２０年４月１日付平成２０年度科学技術総合研究委託事業「科学技術連携施策群の効果的・効率的な推進 施設内外の人計測と環境情報構造化の研究」、産業技術力強化法第１９条の適用を受ける特許出願
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
[ Back to top ]