駐車場における車両の検知システムおよび検知方法
【課題】屋外においても認識率が高い駐車場の車両検知方法を提供する。
【解決手段】撮影用カメラによる撮影画像から車室を切り出すと共に切り出された画像データから複数の代表値を取得して正規化し、正規化された代表値よりなる画像データをベクトル化し、ベクトル化されたベクトルデータの次元を圧縮し、圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、マハラノビス距離を下記（１）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（２）式に代入してメンバーシップ（チルダｕ）を求め、求められたメンバーシップを用いて車室内に車両が存在するか否かを判断する。
【解決手段】撮影用カメラによる撮影画像から車室を切り出すと共に切り出された画像データから複数の代表値を取得して正規化し、正規化された代表値よりなる画像データをベクトル化し、ベクトル化されたベクトルデータの次元を圧縮し、圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、マハラノビス距離を下記（１）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（２）式に代入してメンバーシップ（チルダｕ）を求め、求められたメンバーシップを用いて車室内に車両が存在するか否かを判断する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、駐車場の駐車室に車両が存在しているか否か、すなわち駐車状態または空車状態を判断し得る車両の検知システムおよび検知方法に関する。
【背景技術】
【０００２】
駐車場を管理する際に、駐車状況を把握する必要があり、既に、駐車状況を測定し得る駐車状況測定方法などが提案されている（例えば、特許文献１参照）。
この駐車状況測定方法は、駐車場の特定駐車エリアにおける駐車台数からニューラルネットワークを用いて駐車場全体の駐車率を推定する駐車状況測定方法において、特定駐車エリアの駐車台数を各車種別に設けた車種別用ニューラルネットワークに入力して車種別の駐車率を求め、その求めた各駐車率を全体用ニューラルネットワークに入力して駐車場全体の駐車率を推定する方法である。
【０００３】
ところで、この測定方法において、車両の有無を検出するのに、テレビカメラを用いており、すなわちテレビカメラで駐車場を撮影するとともに、この撮影画像に画像処理を施し、駐車場に車両が駐車しているか否かが判断されていた。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０００−１８２１８７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかし、車両を検出するのに、画像処理が用いられており、通常は、エッジ抽出などが行われるとともに、この抽出画像と参照用画像データとが比較されて、車両の有無が判断されている。
【０００６】
ところで、撮影画像から車両を抽出するようにしているが、駐車場が屋内である場合には、太陽光線の影響をそれ程受けることはないが、駐車場が屋外である場合には、太陽光線の影響、すなわち天候の影響を受けるため、認識率が低下するという問題があった。
【０００７】
そこで、本発明は、屋外の駐車場における撮影画像であっても認識率が高い駐車場における車両の検知システムおよび検知方法を提供することを目的とする。
【課題を解決するための手段】
【０００８】
上記課題を解決するため、本発明の請求項１に係る駐車場における車両の検知システムは、駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知システムであって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化する正規化部と、この正規化部で得られた代表値よりなる画像データをベクトル化するベクトル化部と、このベクトル化部でベクトル化されたベクトルデータの次元を圧縮する次元圧縮部と、この次元圧縮部で圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求めるマハラノビス距離計算部と、このマハラノビス距離計算部で求められたマハラノビス距離を下記（１）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（２）式に代入してメンバーシップ（チルダｕ）を求めるメンバーシップ計算部と、このメンバーシップ計算部で求められたメンバーシップを用いて駐車状態または空車状態のいずれかのクラスにクラスタリングを行い車室内に車両が存在するか否かを判断する在車判断部とを具備したものである。
【０００９】
【数１】
但し、上記式中、αｑｊはクラスｑ内のクラスターｊの混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【００１０】
また、請求項２に係る駐車場における車両の検知システムは、請求項１に記載の検知システムにおいて、次元圧縮部にて次元を圧縮する際に、主成分分析法を用いたものである。
【００１１】
さらに、請求項３に係る駐車場における車両の検知システムは、請求項１に記載の検知システムにおいて、（１）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いたものである。
【００１２】
さらに、本発明の請求項４に係る駐車場における車両の検知方法は、駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知方法であって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この正規化された代表値よりなる画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離を下記（３）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（４）式に代入してメンバーシップ（チルダｕ）を求め、この求められたメンバーシップを用いて車室内に車両が存在するか否かを判断する方法である。
【００１３】
【数２】
但し、上記式中、αｑｊはクラスｑ内のクラスターｊの混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【００１４】
また、請求項５に係る駐車場における車両の検知方法は、請求項４に係る検知方法において、
（３）式に示すメンバーシップ関数（ｕ＊）の各パラメータについては、訓練用データに基づき予め決定し、
且つこの決定に際しては、
まず訓練用データを用いて駐車状態および空車状態を示すクラス毎にセミハードクラスタリングを行うことにより、各クラス毎における各クラスターの中心およびメンバーシップを求め、
次に評価用データにより、（３）式に示すメンバーシップ関数（ｕ＊）および（４）式に示すメンバーシップ（チルダｕ）を用いて当該メンバーシップが正しいクラスに所属するように、（３）式における各パラメータ（ｍ，γ，ν，α）の最適化を図る方法である。
【００１５】
さらに、請求項６に係る駐車場における車両の検知方法は、請求項４に係る検知方法において、
（３）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いる方法である。
【発明の効果】
【００１６】
上記検知システムおよび検知方法によると、撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この次元圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離をメンバーシップ関数に代入するとともにこの関数値に基づきメンバーシップを求め、そしてこの求められたメンバーシップを用いて車室内に車両が存在するか否かを判断するようにしたので、駐車場がたとえ屋外であっても、精度良く、高い識別率でもって、駐車状態および空車状態を判断することができる。
【図面の簡単な説明】
【００１７】
【図１】本発明の実施例に係る車両の検知システムが用いられる駐車場の概略斜視図である。
【図２】同検知システムの概略全体構成を示すブロック図である。
【図３】同検知システムにおける車室設定部の概略構成を示すブロック図である。
【図４】同検知システムにおけるデータ等作成・調整部の概略構成を示すブロック図である。
【図５】同検知システムにおける画像圧縮係数計算部の概略構成を示すブロック図である。
【図６】同検知システムにおけるパラメータ調整部の概略構成を示すブロック図である。
【図７】同検知システムにおける駐・空判断部の概略構成を示すブロック図である。
【図８】同検知システムにおけるファジィクラスタリングの説明図である。
【発明を実施するための形態】
【００１８】
以下、本発明の実施の形態に係る駐車場における車両の検知システムおよび検知方法を、具体的に示した実施例に基づき説明する。
本実施例に係る駐車場は、屋外に設けられているものとして説明する。
【００１９】
この駐車場は、図１に示すように、地上に多数の駐車スペース（駐車場所であり、以下、車室という）Ｓが配置されたものであり、例えば適当な複数個所に支柱１が立設されるとともに、所定の支柱１に撮影用カメラ（例えば、ＣＣＤカメラが用いられる）２が固定され、この撮影用カメラ２からの撮影画像を用いて車室Ｓに車両Ｃが存在しているか否かを判断する、すなわち駐車状態であるか空車状態であるかを判断して車両Ｃの検知を効率的に行う検知システムが具備されている。
【００２０】
以下、車両の検知システムおよび検知方法を、図２〜図８に基づき説明する。
ところで、この車両の検知システムおよび検知方法（これらを、検知システム等ともいう）には、ファジィクラスタリング法が用いられる。
【００２１】
まず、この検知システム等で用いられるファジィクラスタリング法を概略的に説明すると、最初に訓練用データを用いて駐車状態（クラス１と称す）と空車状態（クラス２と称す）とにクラス分けを行う、つまり分類するとともに、クラス毎についても、例えば２つのクラスターに分類し、そしてこのとき得られたクラスター中心位置（以下、クラスター中心という）、分散共分散行列などのデータおよび評価用データを用いて、メンバーシップ関数（後述する）の各パラメータの最適化を図るようにしたものである。なお、訓練用データは、予め、撮影された車室の駐車状態および空車状態の画像データであり、評価用データについても、撮影用カメラにて撮影された車室の画像データである。
【００２２】
次に、このファジィクラスタリング法（ＦＣＭ：fuzzy c−means）を詳しく説明する。
このファジィクラスタリング法は繰返し重み付き最小二乗法を用いるので目的関数Ｊｉは下記（１）式のように設定される。
【００２３】
【数３】
但し、（１）式中、Ｄはマハラノビス距離で、下記（２）式にて表わされる。
【００２４】
【数４】
Ｓｉは分散共分散行列（ファジィ分散共分散行列）、ｖｉはデータの平均値つまりクラスター（ｉ）の中心で、それぞれ下記（３）式および（４）式にて表わされる。なお、ｋはデータ番号である。
【００２５】
【数５】
ここで、クラスター（ｉ）の混合比率αを下記（５）式のように表わす。
【００２６】
【数６】
上記（２）式〜（５）式を（１）式で示す目的関数値が収束するまで繰り返すのがＦＣＭクラスタリング法である。
【００２７】
そして、この車両検知システムにおいては、マハラノビス距離を計算するためのクラスター中心と分散共分散行列を求めるために訓練用データのクラスタリングをクラス毎に行う第１フェーズと、メンバーシップ関数のパラメータの最適化を行うために評価用データを各クラスに分類（識別）する第２フェーズとが具備されている。
【００２８】
ところで、ｋ番目のデータｘｋのクラスｑへのメンバーシップ（値）（チルダｕｑｋ）は下記（６）式にて表わされる。式中では、ｕの頭に、チルダの記号（〜）を付加しており、この「チルダｕ」を文章中では、「＊ｕ」として表記する。なお、メンバーシップ関数については、下記に示すように「ｕ＊」と表記する。
【００２９】
【数７】
（６）式中、ｕｑｋｊ＊はクラスターｊに対するメンバーシップ関数で、下記（７）式で表わされる。
【００３０】
πｑはクラスｑの混合比率（訓練用データの混合比率）、すなわち事前確率であり、ｃはクラス毎のクラスターｊの数で、本実施例ではｃ＝２である。
【００３１】
【数８】
上記（７）式のメンバーシップ関数ｕｑｋｊ＊には複数のパラメータが含まれており、これらのパラメータは、上述したように、訓練用データおよび評価用データを用いて最適化が行われる。
【００３２】
そして、クラスタリングを行う際に、計算時間の短縮化を図るために、セミハードクラスタリングが行われる。このセミハードクラスタリングにおいては、メンバーシップとして離散値（例えば、０．６とか、０．８など）が用いられる。
【００３３】
また、このセミハードクラスタリングにおいては、上述したように、クラスを２つ、つまり駐車状態をクラス１にするとともに空車状態をクラス２とし、さらにこれら各クラスを２つのクラスターに分けるものとする。これは、経験上、各クラスを２つのクラスターに分割するのが、効率良くクラスタリングを行うことが判っているからである。なお、クラスター個数については、２つに限定されるものでもなく、例えば１つまたは３つ以上であってもよい。例えば、上記離散値を０．５とすると、クラスター数は１となり、離散値を１．０とすると、ハード（ファジィではない）な２つのクラスターとなる。
【００３４】
第１フェーズでは、訓練用データを用いて、クラス毎に、つまり駐車状態の画像データおよび空車状態の画像データに対して、セミハードクラスタリングを行う。
ハードとファジイの中間的なセミハードクラスタリングをするために、メンバーシップｕｋｉを下記（８）式のように設定する。
【００３５】
【数９】
以下、具体的な手順について説明する（クラスター数（ｉ）は２個とする）。なお、βは上述した離散値で指定される。
【００３６】
まず、クラスター毎の初期メンバーシップ（ｕｋ１，ｕｋ２）を下記（９）式および（１０）式のように設定する。
【００３７】
【数１０】
なお、上記式中、ｆｋは１つのクラスの画像データｘｋの主成分得点である。
【００３８】
上記の式により、メンバーシップが与えられると、（４）式からｖを、（３）式からＳを求め、そして（２）式と（３）式とからマハラノビス距離Ｄを求め、（８）式でメンバーシップｕを更新する。この更新は、メンバーシップが収束するまで繰り返し行われる。
【００３９】
次に、訓練用データを用いて、クラス毎（クラス１→駐車状態；クラス２→空車状態）にクラスタリングする。すなわち、各クラスをそれぞれ２つのクラスターに分割する。
このとき、目的関数Ｊを用いてセミハードクラスタリングを行う。
【００４０】
すなわち、目的関数Ｊが最小となるような訓練用データ毎のメンバーシップｕを求める。これにより、各クラスターの中心ｖとそのメンバーシップｕとが求められる。
そして、上記求められたメンバーシップｕに基づき、各クラス毎にクラスタリングが行われる。
【００４１】
第２フェーズでは、評価用データを用いて識別（クラシフィケーション）が行われる。
すなわち、第１フェーズにて求められた各クラスターの中心ｖに対して、マハラノビス距離Ｄを求める。このとき、第１フェーズで求められたメンバーシップｕが用いられる。
【００４２】
そして、予め定められた（６）式にて示すメンバーシップ関数ｕ＊に、上記求められたマハラノビス距離Ｄを適用して（用いて）、メンバーシップ関数ｕ＊における各パラメータ（ｍ，γ，ν，α；これらを自由パラメータまたはハイパーパラメータともいう）の最適化を図る。この最適化においては、粒子群最適化法（ＰＳＯ）が用いられる。
【００４３】
ここで、この粒子群最適化法を簡単に説明しておく。
この粒子群最適化法は、メンバーシップ関数ｕ＊における３つのパラメータ（ｍ，γ，ν）と同じくパラメータであるクラスターの混合比率αの最適化が行われる。
【００４４】
すなわち、この粒子群最適化法では、粒子群の最良位置の探索が、以下に示す（１１）式および（１２）式の更新式により行われる。
【００４５】
【数１１】
上記式中、Paraは粒子の位置を示すパラメータで、α，ｍ，γ，νからなるベクトルである。Veloは粒子の速度ベクトルである。Randは「０」と「１」との間の乱数の対角行列である。ｗ０，ｃ１，ｃ２はスカラー定数である。pbset とgbest はそれぞれpbset とgbestの位置ベクトルである。
【００４６】
そして、これらの自由パラメータは、評価用データの誤識別率を最小にするように決定される。
すなわち、上記メンバーシップ関数ｕ＊を用いたメンバーシップ＊ｕが、正しいクラスに属するように、言い換えれば、正しいクラスのメンバーシップ＊ｕの方が大きくなるように、最適化が図られる。
【００４７】
上述した準備工程にて、メンバーシップ関数ｕ＊が求められる。
そして、実際に、駐車の有無を判断する判断工程の概略について説明する。
すなわち、撮影されて所定の処理（後述する）が施された画像データの、上記準備工程で求められた各クラスターの中心ｖに対するマハラノビス距離Ｄを求めるとともに、このマハラノビス距離を上記（６）式に代入して求められるメンバーシップ関数値ｕ＊を上記（５）式に代入し、各クラスにおけるクラスターに対するメンバーシップ＊ｕを求める。そして、クラスター毎に求められたメンバーシップ＊ｕを加算し、クラス毎のメンバーシップ＊ｕ１，＊ｕ２を求める。
【００４８】
そして、クラス１のメンバーシップ＊ｕ１とクラス２のメンバーシップ＊ｕ２とを比較し、値の大きい方が、当該画像データが所属するクラスと判断できる。つまり、クラス１のメンバーシップ＊ｕ１が大きい場合には、駐車状態であると判断される。逆に、クラス２のメンバーシップ＊ｕ２が大きい場合には、空車状態であると判断される。
【００４９】
以下、上述した準備工程および判断工程を実行する車両の検知システムについて説明する。
なお、以下の説明では、自由パラメータ（ｍ，γ，ν，α）およびクラスター中心ｖ，分散共分散行列Ｓ、クラスの混合比率πなどが識別に関わる要素であるため、判断用パラメータと称して説明する。
【００５０】
この検知システム（プログラムとして）には、図２に示すように、大きく分けて、車室設定部（車室設定プログラム）１１と、例えば画像圧縮係数（後述する）などの必要データの作成および車両の有無の判断に用いる判断用パラメータの調整を行うためのデータ等作成・調整部（データ等作成・調整用プログラム）１２と、設定された車室Ｓが駐車状態か空車状態かを判断する駐・空判断部（駐・空判断用プログラム）１３と、基本データ、各種パラメータなどを記憶しておくデータベース部１４とが具備されている。なお、上記車室設定部１１、データ等作成・調整部１２は準備用であり、駐・空判断部１３が実稼動用である。勿論、データベース部１４は準備用と実稼動用の両方に用いられる。
【００５１】
上記車室設定部１１は、図３に示すように、例えば支柱１に固定された撮影用カメラ２で撮影された画像データを入力して当該画像データ内（つまり、撮影画面内）に車両の有無を判断（判定）するための車室Ｓを設定する車室位置設定部２１と、この車室位置設定部２１で設定された（位置が決められた）車室位置情報を取得する車室位置情報取得部２２とから構成され、この車室位置情報取得部２２で取得された車室位置情報は、データベース部１４に記憶される。
【００５２】
上記データ等作成・調整部１２は、図４に示すように、既に撮影された画像データに基づき画像データを圧縮するための画像圧縮係数を計算する画像圧縮係数計算部３１と、同じく既に撮影された画像データに基づき判断用パラメータの調整を行うパラメータ調整部３２とから構成され、画像圧縮係数計算部３１で求められた画像圧縮係数とパラメータ調整部３２で調整された判断用パラメータは、データベース部１４に記憶される。
【００５３】
上記画像圧縮係数計算部３１は、図５に示すように、予め撮影された画像データを読み込む（取り込む）画像読込部３１ａと、この画像読込部３１ａにて読み込まれた画像データから車室１を切り出す（例えば、平行四辺形などの矩形状にて切り出す）車室切出部３１ｂと、この車室切出部３１ｂにて切り出された車室１を正規化する正規化部３１ｃと、この正規化部３１ｃにて正規化された画像データを入力して主成分分析を行うことによりデータの次元を少なくして（例えば、１０２４次元から５０次元程度にして）データの圧縮を行う主成分分析部３１ｄと、この主成分分析部３１ｄで得られた主成分ベクトル（基底ベクトル）および画像データの平均ベクトルを画像圧縮係数として取得する画像圧縮係数取得部３１ｅとから構成されている。なお、上述した正規化とは、例えば撮影した画像データ上では、車室の位置（特に、遠近の違い）により、車室であると判断される画面の大きさが異なるため、これらを全て同一の画素データ（同一のデータ数）にすることである。具体的には、カラーの画像データを白黒データに変換し、つまり輝度値（例えば、０〜２５５の数値）に変換した画像データを縦横とも例えば３２分割して１０２４（＝３２×３２）個の画素値を得る（正規化である）。実際には、１０２４個の各分割領域（複数領域）における一つの画素（例えば、分割領域の中心画素）の輝度値が代表値として用いられる（代表値として、各分割領域の平均輝度値を用いることもできる）。これにより、１０２４次元のデータが得られる。したがって、この正規化部３１ｃは、画像データを入力して複数箇所（例えば、１０２４箇所）にて画像データの代表値を取得するデータ取得部により構成されている。なお、この正規化部３１ｃは、画像データを入力して複数領域に分割するデータ領域分割部と、このデータ領域分割部で分割された分割領域での画像データの代表値を取得するデータ取得部とから構成されているともいえる。
【００５４】
また、上記データ等作成・調整部３２は、図６に示すように、予め撮影された画像データを読み込む（取り込む）画像読込部３２ａと、上記画像圧縮係数取得部３１ｅにて取得された画像圧縮係数を用いて上記画像読込部３２ａにて読み込まれた画像データの次元を低次元に、すなわち次元圧縮を行う次元圧縮部３２ｂと、この次元圧縮部３２ｂで次元圧縮された画像データを訓練用画像として蓄積する訓練画像蓄積部３２ｃと、この訓練画像蓄積部３２ｃで蓄積された画像データを入力して訓練を行うことにより判断用パラメータを取得するパラメータ取得部３２ｄとから構成されている。なお、このデータ等作成・調整部３２にて取得される判断用パラメータは、稼動時における初期パラメータとして用いられ、また訓練時における初期値としても用いられる。
【００５５】
次に、実際の稼動時に実行される駐・空判断部１３について説明する。
なお、この駐・空判断部１３は、単独で作動するものであるため、画像データを読み込み、次元圧縮などの構成部分については、上述したものと同一のものが具備されており、当然ながら、この構成部分も再度説明する。
【００５６】
この駐・空判断部１３は、図７に示すように、撮影用カメラ２で撮影された撮影画像である画像データを読み込む画像読込部４１と、この画像読込部４１にて読み込まれた画像データから車室を切り出す（特定する）車室切出部４２と、この車室切出部４２にて切り出された車室の画像データを正規化する、つまり画像データを１０２４に分割する正規化部４３と、この正規化部４３で正規化された画像データを１０２４次元のベクトルにするベクトル化部４４と、このベクトル化部４４でベクトル化されたベクトルデータの次元を例えば５０次元に圧縮する次元圧縮部４５と、この次元圧縮部４５で次元圧縮された画像データの予め求められたクラスターの中心に対するマハラノビス距離を求めるマハラノビス距離計算部４６と、このマハラノビス距離計算部４６で求められたマハラノビス距離に基づきメンバーシップ関数ｕ＊およびメンバーシップ＊ｕを求める上記（７）式および（６）式が具備されたメンバーシップ計算部４７と、このメンバーシップ計算部４７で求められたメンバーシップ＊ｕに基づき、当該画像データが、いずれのクラスつまり駐車状態か空車状態であるかを判断する在車判断部４８とから構成されている。上記車室切出部４２、次元圧縮部４５、マハラノビス距離計算部４６、メンバーシップ計算部４７および在車判断部４８での計算に際しては、データベース部１４から適切な車室位置情報、画像圧縮係数、判断用パラメータなどが読み込まれて使用される。なお、実稼動時において、読み込まれる判断用パラメータは訓練などにより最適に調整された値である。ところで、駐車場が広い場合には、当然、撮影用カメラで撮影する範囲が限られるため、グループ分けが行われる。したがって、これらグループ毎にファジィクラスタリングが行わることになるため、判断用パラメータについても、各グループ毎に調整される。また、画像圧縮係数については、少し広い範囲に対して求められる。例えば、グループ毎ではなく、駐車場毎に求められる。
【００５７】
具体的には、マハラノビス距離計算部４６では、画像データの予め求められているクラスター中心に対するマハラノビス距離Ｄが求められ、そしてメンバーシップ計算部４７では、マハラノビス距離Ｄに基づきメンバーシップ関数ｕ＊（関数値）が求まり、このメンバーシップ関数ｕ＊に基づきメンバーシップ＊ｕが求められる。つまり、各クラスターに対してメンバーシップ＊ｕ１，＊ｕ２が求められる。そして、各クラス毎において、メンバーシップが加算されて、クラスにおけるメンバーシップ＊ｕｃ１，＊ｕｃ２が求められる。
【００５８】
そして、在車判断部４８において、これら求められた各クラスでのメンバーシップ＊ｕｃ１，＊ｕｃ２同士が比較されて、その値が大きい方に、この画像データが属していると判断される。
【００５９】
例えば、この判断時の各クラスにおけるメンバーシップを図８に示す。図８は、２つのクラス１およびクラス２に、それぞれ２つのクラスター１およびクラスター２をそれぞれ形成したもので、クラス１側には、ｖ１１のクラスター１とｖ１２のクラスター２とがあり、またクラス２側にも、ｖ２１のクラスター１と、ｖ２２のクラスター２とがある。図８において、Ｘの地点が判断すべき画像データであるとすると、クラス１における一方のクラスター１に対するＸのメンバーシップをｕ１１、他方のクラスター２に対するＸのメンバーシップをｕ１２とし、またクラス２の一方のクラスター１に対するＸのメンバーシップをｕ２１、他方のクラスター２に対するＸのメンバーシップをｕ２２とすると、Ｘのクラス１に対するメンバーシップｕ１は、ｕ１１＋ｕ１２となり、またＸのクラス２に対するメンバーシップｕ２は、ｕ２１＋ｕ２２となる。つまり、各クラスにおける各クラスターのメンバーシップの合計値（両クラスターに対するメンバーシップの高さの合計である）が各クラスに対するメンバーシップとなる。そして、そのメンバーシップｕ１，ｕ２のうち、大きい方のクラスに所属していることになる。クラス１に所属していれば、駐車状態であり、またクラス２に所属していれば、空車状態を示している。
【００６０】
なお、上述した粒子群最適化法にて誤識別率が最小となるように自由パラメータが探索されるが、例えばクラスターの混合比率αを変化させると、図８のクラスターの領域（等高線で示す）の形状が変化することになり、したがって２つのクラスの境界線も非線形に変化する。
【００６１】
ここで、全体のシステムの設置から稼動開始までの概略工程について説明する。
まず、この検知システムの設置に際しては、下記に示すように、二つの場合が考えられ、以下、この設置に際しての手順を概略的に説明した後、一つの場合に基づき具体的に説明する。
【００６２】
一つ目は、現地（駐車場）のカメラ画像すなわち画像データをシステム稼動前に入手できる場合（既設カメラ流用時）で、二つ目は、現地の画像データをシステム稼動前に入手できない場合（カメラ新設時）である。
【００６３】
一つ目の場合；
前もって入手した画像データを用いて、車室位置の設定、画像圧縮係数の計算および判断用パラメータの生成（訓練）を実施しておき、これらを用いてシステムを稼動させる。
【００６４】
そして、システム稼動後も、現地の画像データを収集して、判断用パラメータの訓練を続けることにより、識別精度の向上が図られる。
なお、駐車場で用いる画像圧縮係数および判断用パラメータは、データベース部１４に登録される（別の駐車場でも利用される）。
【００６５】
二つ目の場合；
撮影用カメラが設置されて画像データの取り込みが可能になると、画像データを取り込み、車室位置を仮に設定する。
【００６６】
しかし、画像データの取り込みが可能になっても、駐車場がオープンするまで車両は駐車しないので、現地での画像データの収集を行うことができず、したがって現地での画像データを使って判断用パラメータの訓練をすることができない。
【００６７】
そこで、駐車場オープン当初は、データベース部１４の中から当該駐車場に条件が似ている駐車場の画像圧縮係数および判断用パラメータを使って、システムを稼動させる。
これと同時に、この駐車場での画像データを収集しておき、この画像データを使って車室位置を詳細に設定し、新たに画像圧縮係数の計算および判断用パラメータの生成（訓練）を実施する。
【００６８】
そして、この判断用パラメータによる識別精度が、現在使っている他の駐車場の判断用パラメータよりも良くなった段階で、判断用パラメータを入れ替える。
その後も、現地の画像データを収集して判断用パラメータを訓練し続け、識別精度を向上させる。勿論、この場合も、駐車場で使用する画像圧縮係数および判断用パラメータはデータベース部に登録される（別の駐車場でも利用される）。
【００６９】
次に、一つ目の場合について、さらに具体的に説明する。
すなわち、データベース部１４には、既設駐車場の画像データにより得られた画像圧縮係数および判断用パラメータが記憶されている。
【００７０】
画像圧縮係数は、上述したように、画像データを主成分分析で圧縮する際の主成分ベクトル（基底ベクトル）と画像データの平均ベクトルである。この主成分ベクトルは、圧縮する次元数だけ存在する。すなわち、次元の数がｍ個（例えば、５０個）で、画素の数がｎ個（例えば、３２×３２＝１０２４個）であれば、画像圧縮係数は、ｎ×（ｍ＋１（平均ベクトル分））個存在することになる。
【００７１】
また、判断用パラメータは、最初に求められている各クラスターに対するマハラノビス距離を求めるためのデータで、例えば各クラスターの中心などである。
そして、新しい駐車場の検知システムにおいては、新しく設置された撮影用カメラにより画像データを収集して、判断用パラメータの精度の向上が図られる。
【００７２】
すなわち、撮影用カメラ２にて新しい駐車場を撮影し、この撮影された画像データに基づき車室Ｓの位置を特定する。
車室Ｓの位置が特定されると、撮影用カメラ２から画像データを読み込み、この画像データを正規化およびベクトル化した後、データベース部１４に記憶されている画像圧縮係数に基づき次元を、例えば１０２４次元から５０次元に圧縮する。そして、この次元圧縮された画像データに対して、マハラノビス距離を求めるとともに、このマハラノビス距離を用いてメンバーシップ関数を求め、この求められたメンバーシップ関数値を用いて、各クラスに対するメンバーシップを求める。
【００７３】
これら求められたメンバーシップについては、各クラス毎に加算してクラス毎のメンバーシップを求め、メンバーシップが大きい方のクラスに所属すると判断される。この工程を全ての画像データに繰り返して行うことにより、判断用パラメータが修正される。
【００７４】
次に、駐車状態であるか否かの判断について、具体的に説明する。
すなわち、撮影用カメラ２にて撮影された車室Ｓの画像データが画像読込部４１に読み込まれ、この画像データは車室切出部４２、正規化部４３およびベクトル化部４４で例えば１０２４次元データにベクトル化された後、次元圧縮部４５で次元が圧縮される。この次元圧縮部４５では、データベース部１４に記憶されている画像圧縮係数に基づき、その次元が１０２４次元から５０次元に圧縮される。次に、この次元圧縮された画像データはマハラノビス距離計算部４６にてマハラノビス距離が求められ、そしてメンバーシップ計算部４７において、マハラノビス距離を用いてメンバーシップ関数が求められた後、この求められたメンバーシップ関数値を用いて、各クラスに対するメンバーシップが求められる。そして、これら求められたメンバーシップの内、各クラス毎に加算してクラス毎のメンバーシップが求められる。
【００７５】
次に、これらクラス毎のメンバーシップが、在車判断部４８に入力されて、当該画像データに係るメンバーシップがいずれのクラスに所属するかが判断される。すなわち、撮影した画像が、駐車状態であるか空車状態であるかが判断される。
【００７６】
なお、上記説明におけるデータ等作成・調整部、各種計算部、圧縮部、各判断部などの殆どの構成部分は、プログラムにより、その機能が実現されるものである。
また、上記説明においては、駐車場を屋外として説明したが、撮影条件が良い屋内にも、当然に、この検知システムを適用することができる。
【００７７】
ここで、この検知システムを実際に適用した実験結果について説明しておく。
屋上駐車場に設置されている監視カメラ（撮影用カメラである）の画像から２７車室の駐車状況の識別を行った。実験には、天候や時間帯の異なる様々な条件下の３週間分の画像データから、２６００枚の画像を選んで用いた。
【００７８】
性能評価を行った手順を以下に説明する。
最初にカメラ番号や用いる画像の枚数、車室数やそのグループ分けを指定し、次に車室の切り出し箇所を画面上で指定した。
【００７９】
まず、最初の１００枚（２７００件）の画像データから５０の主成分ベクトルを求めた。訓練用データは第１週目の１０００枚と第３週目の６００枚から選び、テストとして第２週目の１０００枚（２７０００件）で評価した。第１週から２０枚（５０枚飛び）の画像を選び各駐車スペースの駐・空（クラス）を入力することで、訓練用データを集め、識別器の学習・訓練を行った。
【００８０】
次に、第１週の画像で誤識別のあるものを訓練データに追加し、最後にもう一度、識別器の学習・訓練を行った。さらに、第３週目についても同様に訓練データを追加した。
下記に示す（表１）および（表２）の下段に、第２週目の１０００枚（２７０００件）で評価した誤識別率を示す。なお、各表は、昼夜を分けた場合の誤識別率を示す。
【００８１】
すなわち、カメラ画像から空の一部を切り取り、その平均輝度の閾値で昼夜を判定した。（表１）は訓練用データを第１週目の１０００枚から１１１枚（２９９７件）選び、（表２）は第３週目の６００枚から４４枚（１１８８件）を追加して第１週目と第３週目のデータから合計１５５枚（４１８５件）を訓練用データとした。第３週目の訓練用データを追加した場合（表２）は、追加しない場合に比べて（表１）、昼は２．５３％から１．４２％に減少し、昼夜全体では２．０４％で実用化可能な誤識別率になった。誤識別の評価には正しいクラス情報の入った第２週目のテストデータ２７０００件を用いた。
【００８２】
【表１】
【００８３】
【表２】
このように、屋外では１台の撮影用カメラで多くの駐車スペースをカバーできるため、室内用に比べて低コストの検知システムを実現することができる。また、センサー方式に比べても安価であり、既設駐車場への適用も容易であり、上記のように、性能評価実験では２．０４％という実用化可能な誤識別率となった。
【００８４】
上述したように、この検知システムおよび検知方法によると、撮影用カメラにより撮影された撮影画像すなわち画像データから車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この正規化された代表値としての画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離をメンバーシップ関数に代入するとともにこの関数値に基づきメンバーシップを求め、この求められたメンバーシップを用いて車室内に車両が存在するか否かを判断するようにしたので、駐車場が屋外であっても、効率良く、すなわち高い識別率でもって（誤識別が少ない状態で）、駐車状態および空車状態を判断することができる。
【００８５】
また、画像データの次元を主成分分析法により圧縮するようにしたので、画像の特徴を維持した状態で画素データを少なくすることができる。言い換えれば、構成としては安価な構成である撮影用カメラを用いて、精度良く駐車状態または空車状態を検知することができる。
【００８６】
さらに、判断用パラメータのうち、メンバーシップ関数の自由パラメータについては、粒子群最適化法により最適化を図るようにしているので、迅速且つ効率的に、その最適化を図ることができる。つまり、誤識別率を低下させることができる。性能評価実験で示したように、訓練用データを追加して再最適化することで、さらに誤識別率を大幅に低減させることができる。
【符号の説明】
【００８７】
Ｓ 駐車スペース
１ 支柱
２ 撮影用カメラ
１１ 車室設定部
１２ データ等作成・調整部
１３ 駐・空判断部
１４ データベース部
２１ 車室位置設定部
２２ 車室位置情報取得部
３１ 画像圧縮係数計算部
３１ａ 画像読込部
３１ｂ 車室切出部
３１ｃ 正規化部
３１ｄ 主成分分析部
３１ｅ 画像圧縮係数取得部
３２ パラメータ調整部
３２ａ 画像読込部
３２ｂ 画像圧縮部
３２ｃ 訓練画像蓄積部
３２ｄ パラメータ取得部
４１ 画像読込部
４２ 車室切出部
４３ 正規化部
４４ ベクトル化部
４５ 次元圧縮部
４６ マハラノビス距離計算部
４７ メンバーシップ計算部
４８ 在車判断部
【技術分野】
【０００１】
本発明は、駐車場の駐車室に車両が存在しているか否か、すなわち駐車状態または空車状態を判断し得る車両の検知システムおよび検知方法に関する。
【背景技術】
【０００２】
駐車場を管理する際に、駐車状況を把握する必要があり、既に、駐車状況を測定し得る駐車状況測定方法などが提案されている（例えば、特許文献１参照）。
この駐車状況測定方法は、駐車場の特定駐車エリアにおける駐車台数からニューラルネットワークを用いて駐車場全体の駐車率を推定する駐車状況測定方法において、特定駐車エリアの駐車台数を各車種別に設けた車種別用ニューラルネットワークに入力して車種別の駐車率を求め、その求めた各駐車率を全体用ニューラルネットワークに入力して駐車場全体の駐車率を推定する方法である。
【０００３】
ところで、この測定方法において、車両の有無を検出するのに、テレビカメラを用いており、すなわちテレビカメラで駐車場を撮影するとともに、この撮影画像に画像処理を施し、駐車場に車両が駐車しているか否かが判断されていた。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０００−１８２１８７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかし、車両を検出するのに、画像処理が用いられており、通常は、エッジ抽出などが行われるとともに、この抽出画像と参照用画像データとが比較されて、車両の有無が判断されている。
【０００６】
ところで、撮影画像から車両を抽出するようにしているが、駐車場が屋内である場合には、太陽光線の影響をそれ程受けることはないが、駐車場が屋外である場合には、太陽光線の影響、すなわち天候の影響を受けるため、認識率が低下するという問題があった。
【０００７】
そこで、本発明は、屋外の駐車場における撮影画像であっても認識率が高い駐車場における車両の検知システムおよび検知方法を提供することを目的とする。
【課題を解決するための手段】
【０００８】
上記課題を解決するため、本発明の請求項１に係る駐車場における車両の検知システムは、駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知システムであって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化する正規化部と、この正規化部で得られた代表値よりなる画像データをベクトル化するベクトル化部と、このベクトル化部でベクトル化されたベクトルデータの次元を圧縮する次元圧縮部と、この次元圧縮部で圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求めるマハラノビス距離計算部と、このマハラノビス距離計算部で求められたマハラノビス距離を下記（１）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（２）式に代入してメンバーシップ（チルダｕ）を求めるメンバーシップ計算部と、このメンバーシップ計算部で求められたメンバーシップを用いて駐車状態または空車状態のいずれかのクラスにクラスタリングを行い車室内に車両が存在するか否かを判断する在車判断部とを具備したものである。
【０００９】
【数１】
但し、上記式中、αｑｊはクラスｑ内のクラスターｊの混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【００１０】
また、請求項２に係る駐車場における車両の検知システムは、請求項１に記載の検知システムにおいて、次元圧縮部にて次元を圧縮する際に、主成分分析法を用いたものである。
【００１１】
さらに、請求項３に係る駐車場における車両の検知システムは、請求項１に記載の検知システムにおいて、（１）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いたものである。
【００１２】
さらに、本発明の請求項４に係る駐車場における車両の検知方法は、駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知方法であって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この正規化された代表値よりなる画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離を下記（３）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（４）式に代入してメンバーシップ（チルダｕ）を求め、この求められたメンバーシップを用いて車室内に車両が存在するか否かを判断する方法である。
【００１３】
【数２】
但し、上記式中、αｑｊはクラスｑ内のクラスターｊの混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【００１４】
また、請求項５に係る駐車場における車両の検知方法は、請求項４に係る検知方法において、
（３）式に示すメンバーシップ関数（ｕ＊）の各パラメータについては、訓練用データに基づき予め決定し、
且つこの決定に際しては、
まず訓練用データを用いて駐車状態および空車状態を示すクラス毎にセミハードクラスタリングを行うことにより、各クラス毎における各クラスターの中心およびメンバーシップを求め、
次に評価用データにより、（３）式に示すメンバーシップ関数（ｕ＊）および（４）式に示すメンバーシップ（チルダｕ）を用いて当該メンバーシップが正しいクラスに所属するように、（３）式における各パラメータ（ｍ，γ，ν，α）の最適化を図る方法である。
【００１５】
さらに、請求項６に係る駐車場における車両の検知方法は、請求項４に係る検知方法において、
（３）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いる方法である。
【発明の効果】
【００１６】
上記検知システムおよび検知方法によると、撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この次元圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離をメンバーシップ関数に代入するとともにこの関数値に基づきメンバーシップを求め、そしてこの求められたメンバーシップを用いて車室内に車両が存在するか否かを判断するようにしたので、駐車場がたとえ屋外であっても、精度良く、高い識別率でもって、駐車状態および空車状態を判断することができる。
【図面の簡単な説明】
【００１７】
【図１】本発明の実施例に係る車両の検知システムが用いられる駐車場の概略斜視図である。
【図２】同検知システムの概略全体構成を示すブロック図である。
【図３】同検知システムにおける車室設定部の概略構成を示すブロック図である。
【図４】同検知システムにおけるデータ等作成・調整部の概略構成を示すブロック図である。
【図５】同検知システムにおける画像圧縮係数計算部の概略構成を示すブロック図である。
【図６】同検知システムにおけるパラメータ調整部の概略構成を示すブロック図である。
【図７】同検知システムにおける駐・空判断部の概略構成を示すブロック図である。
【図８】同検知システムにおけるファジィクラスタリングの説明図である。
【発明を実施するための形態】
【００１８】
以下、本発明の実施の形態に係る駐車場における車両の検知システムおよび検知方法を、具体的に示した実施例に基づき説明する。
本実施例に係る駐車場は、屋外に設けられているものとして説明する。
【００１９】
この駐車場は、図１に示すように、地上に多数の駐車スペース（駐車場所であり、以下、車室という）Ｓが配置されたものであり、例えば適当な複数個所に支柱１が立設されるとともに、所定の支柱１に撮影用カメラ（例えば、ＣＣＤカメラが用いられる）２が固定され、この撮影用カメラ２からの撮影画像を用いて車室Ｓに車両Ｃが存在しているか否かを判断する、すなわち駐車状態であるか空車状態であるかを判断して車両Ｃの検知を効率的に行う検知システムが具備されている。
【００２０】
以下、車両の検知システムおよび検知方法を、図２〜図８に基づき説明する。
ところで、この車両の検知システムおよび検知方法（これらを、検知システム等ともいう）には、ファジィクラスタリング法が用いられる。
【００２１】
まず、この検知システム等で用いられるファジィクラスタリング法を概略的に説明すると、最初に訓練用データを用いて駐車状態（クラス１と称す）と空車状態（クラス２と称す）とにクラス分けを行う、つまり分類するとともに、クラス毎についても、例えば２つのクラスターに分類し、そしてこのとき得られたクラスター中心位置（以下、クラスター中心という）、分散共分散行列などのデータおよび評価用データを用いて、メンバーシップ関数（後述する）の各パラメータの最適化を図るようにしたものである。なお、訓練用データは、予め、撮影された車室の駐車状態および空車状態の画像データであり、評価用データについても、撮影用カメラにて撮影された車室の画像データである。
【００２２】
次に、このファジィクラスタリング法（ＦＣＭ：fuzzy c−means）を詳しく説明する。
このファジィクラスタリング法は繰返し重み付き最小二乗法を用いるので目的関数Ｊｉは下記（１）式のように設定される。
【００２３】
【数３】
但し、（１）式中、Ｄはマハラノビス距離で、下記（２）式にて表わされる。
【００２４】
【数４】
Ｓｉは分散共分散行列（ファジィ分散共分散行列）、ｖｉはデータの平均値つまりクラスター（ｉ）の中心で、それぞれ下記（３）式および（４）式にて表わされる。なお、ｋはデータ番号である。
【００２５】
【数５】
ここで、クラスター（ｉ）の混合比率αを下記（５）式のように表わす。
【００２６】
【数６】
上記（２）式〜（５）式を（１）式で示す目的関数値が収束するまで繰り返すのがＦＣＭクラスタリング法である。
【００２７】
そして、この車両検知システムにおいては、マハラノビス距離を計算するためのクラスター中心と分散共分散行列を求めるために訓練用データのクラスタリングをクラス毎に行う第１フェーズと、メンバーシップ関数のパラメータの最適化を行うために評価用データを各クラスに分類（識別）する第２フェーズとが具備されている。
【００２８】
ところで、ｋ番目のデータｘｋのクラスｑへのメンバーシップ（値）（チルダｕｑｋ）は下記（６）式にて表わされる。式中では、ｕの頭に、チルダの記号（〜）を付加しており、この「チルダｕ」を文章中では、「＊ｕ」として表記する。なお、メンバーシップ関数については、下記に示すように「ｕ＊」と表記する。
【００２９】
【数７】
（６）式中、ｕｑｋｊ＊はクラスターｊに対するメンバーシップ関数で、下記（７）式で表わされる。
【００３０】
πｑはクラスｑの混合比率（訓練用データの混合比率）、すなわち事前確率であり、ｃはクラス毎のクラスターｊの数で、本実施例ではｃ＝２である。
【００３１】
【数８】
上記（７）式のメンバーシップ関数ｕｑｋｊ＊には複数のパラメータが含まれており、これらのパラメータは、上述したように、訓練用データおよび評価用データを用いて最適化が行われる。
【００３２】
そして、クラスタリングを行う際に、計算時間の短縮化を図るために、セミハードクラスタリングが行われる。このセミハードクラスタリングにおいては、メンバーシップとして離散値（例えば、０．６とか、０．８など）が用いられる。
【００３３】
また、このセミハードクラスタリングにおいては、上述したように、クラスを２つ、つまり駐車状態をクラス１にするとともに空車状態をクラス２とし、さらにこれら各クラスを２つのクラスターに分けるものとする。これは、経験上、各クラスを２つのクラスターに分割するのが、効率良くクラスタリングを行うことが判っているからである。なお、クラスター個数については、２つに限定されるものでもなく、例えば１つまたは３つ以上であってもよい。例えば、上記離散値を０．５とすると、クラスター数は１となり、離散値を１．０とすると、ハード（ファジィではない）な２つのクラスターとなる。
【００３４】
第１フェーズでは、訓練用データを用いて、クラス毎に、つまり駐車状態の画像データおよび空車状態の画像データに対して、セミハードクラスタリングを行う。
ハードとファジイの中間的なセミハードクラスタリングをするために、メンバーシップｕｋｉを下記（８）式のように設定する。
【００３５】
【数９】
以下、具体的な手順について説明する（クラスター数（ｉ）は２個とする）。なお、βは上述した離散値で指定される。
【００３６】
まず、クラスター毎の初期メンバーシップ（ｕｋ１，ｕｋ２）を下記（９）式および（１０）式のように設定する。
【００３７】
【数１０】
なお、上記式中、ｆｋは１つのクラスの画像データｘｋの主成分得点である。
【００３８】
上記の式により、メンバーシップが与えられると、（４）式からｖを、（３）式からＳを求め、そして（２）式と（３）式とからマハラノビス距離Ｄを求め、（８）式でメンバーシップｕを更新する。この更新は、メンバーシップが収束するまで繰り返し行われる。
【００３９】
次に、訓練用データを用いて、クラス毎（クラス１→駐車状態；クラス２→空車状態）にクラスタリングする。すなわち、各クラスをそれぞれ２つのクラスターに分割する。
このとき、目的関数Ｊを用いてセミハードクラスタリングを行う。
【００４０】
すなわち、目的関数Ｊが最小となるような訓練用データ毎のメンバーシップｕを求める。これにより、各クラスターの中心ｖとそのメンバーシップｕとが求められる。
そして、上記求められたメンバーシップｕに基づき、各クラス毎にクラスタリングが行われる。
【００４１】
第２フェーズでは、評価用データを用いて識別（クラシフィケーション）が行われる。
すなわち、第１フェーズにて求められた各クラスターの中心ｖに対して、マハラノビス距離Ｄを求める。このとき、第１フェーズで求められたメンバーシップｕが用いられる。
【００４２】
そして、予め定められた（６）式にて示すメンバーシップ関数ｕ＊に、上記求められたマハラノビス距離Ｄを適用して（用いて）、メンバーシップ関数ｕ＊における各パラメータ（ｍ，γ，ν，α；これらを自由パラメータまたはハイパーパラメータともいう）の最適化を図る。この最適化においては、粒子群最適化法（ＰＳＯ）が用いられる。
【００４３】
ここで、この粒子群最適化法を簡単に説明しておく。
この粒子群最適化法は、メンバーシップ関数ｕ＊における３つのパラメータ（ｍ，γ，ν）と同じくパラメータであるクラスターの混合比率αの最適化が行われる。
【００４４】
すなわち、この粒子群最適化法では、粒子群の最良位置の探索が、以下に示す（１１）式および（１２）式の更新式により行われる。
【００４５】
【数１１】
上記式中、Paraは粒子の位置を示すパラメータで、α，ｍ，γ，νからなるベクトルである。Veloは粒子の速度ベクトルである。Randは「０」と「１」との間の乱数の対角行列である。ｗ０，ｃ１，ｃ２はスカラー定数である。pbset とgbest はそれぞれpbset とgbestの位置ベクトルである。
【００４６】
そして、これらの自由パラメータは、評価用データの誤識別率を最小にするように決定される。
すなわち、上記メンバーシップ関数ｕ＊を用いたメンバーシップ＊ｕが、正しいクラスに属するように、言い換えれば、正しいクラスのメンバーシップ＊ｕの方が大きくなるように、最適化が図られる。
【００４７】
上述した準備工程にて、メンバーシップ関数ｕ＊が求められる。
そして、実際に、駐車の有無を判断する判断工程の概略について説明する。
すなわち、撮影されて所定の処理（後述する）が施された画像データの、上記準備工程で求められた各クラスターの中心ｖに対するマハラノビス距離Ｄを求めるとともに、このマハラノビス距離を上記（６）式に代入して求められるメンバーシップ関数値ｕ＊を上記（５）式に代入し、各クラスにおけるクラスターに対するメンバーシップ＊ｕを求める。そして、クラスター毎に求められたメンバーシップ＊ｕを加算し、クラス毎のメンバーシップ＊ｕ１，＊ｕ２を求める。
【００４８】
そして、クラス１のメンバーシップ＊ｕ１とクラス２のメンバーシップ＊ｕ２とを比較し、値の大きい方が、当該画像データが所属するクラスと判断できる。つまり、クラス１のメンバーシップ＊ｕ１が大きい場合には、駐車状態であると判断される。逆に、クラス２のメンバーシップ＊ｕ２が大きい場合には、空車状態であると判断される。
【００４９】
以下、上述した準備工程および判断工程を実行する車両の検知システムについて説明する。
なお、以下の説明では、自由パラメータ（ｍ，γ，ν，α）およびクラスター中心ｖ，分散共分散行列Ｓ、クラスの混合比率πなどが識別に関わる要素であるため、判断用パラメータと称して説明する。
【００５０】
この検知システム（プログラムとして）には、図２に示すように、大きく分けて、車室設定部（車室設定プログラム）１１と、例えば画像圧縮係数（後述する）などの必要データの作成および車両の有無の判断に用いる判断用パラメータの調整を行うためのデータ等作成・調整部（データ等作成・調整用プログラム）１２と、設定された車室Ｓが駐車状態か空車状態かを判断する駐・空判断部（駐・空判断用プログラム）１３と、基本データ、各種パラメータなどを記憶しておくデータベース部１４とが具備されている。なお、上記車室設定部１１、データ等作成・調整部１２は準備用であり、駐・空判断部１３が実稼動用である。勿論、データベース部１４は準備用と実稼動用の両方に用いられる。
【００５１】
上記車室設定部１１は、図３に示すように、例えば支柱１に固定された撮影用カメラ２で撮影された画像データを入力して当該画像データ内（つまり、撮影画面内）に車両の有無を判断（判定）するための車室Ｓを設定する車室位置設定部２１と、この車室位置設定部２１で設定された（位置が決められた）車室位置情報を取得する車室位置情報取得部２２とから構成され、この車室位置情報取得部２２で取得された車室位置情報は、データベース部１４に記憶される。
【００５２】
上記データ等作成・調整部１２は、図４に示すように、既に撮影された画像データに基づき画像データを圧縮するための画像圧縮係数を計算する画像圧縮係数計算部３１と、同じく既に撮影された画像データに基づき判断用パラメータの調整を行うパラメータ調整部３２とから構成され、画像圧縮係数計算部３１で求められた画像圧縮係数とパラメータ調整部３２で調整された判断用パラメータは、データベース部１４に記憶される。
【００５３】
上記画像圧縮係数計算部３１は、図５に示すように、予め撮影された画像データを読み込む（取り込む）画像読込部３１ａと、この画像読込部３１ａにて読み込まれた画像データから車室１を切り出す（例えば、平行四辺形などの矩形状にて切り出す）車室切出部３１ｂと、この車室切出部３１ｂにて切り出された車室１を正規化する正規化部３１ｃと、この正規化部３１ｃにて正規化された画像データを入力して主成分分析を行うことによりデータの次元を少なくして（例えば、１０２４次元から５０次元程度にして）データの圧縮を行う主成分分析部３１ｄと、この主成分分析部３１ｄで得られた主成分ベクトル（基底ベクトル）および画像データの平均ベクトルを画像圧縮係数として取得する画像圧縮係数取得部３１ｅとから構成されている。なお、上述した正規化とは、例えば撮影した画像データ上では、車室の位置（特に、遠近の違い）により、車室であると判断される画面の大きさが異なるため、これらを全て同一の画素データ（同一のデータ数）にすることである。具体的には、カラーの画像データを白黒データに変換し、つまり輝度値（例えば、０〜２５５の数値）に変換した画像データを縦横とも例えば３２分割して１０２４（＝３２×３２）個の画素値を得る（正規化である）。実際には、１０２４個の各分割領域（複数領域）における一つの画素（例えば、分割領域の中心画素）の輝度値が代表値として用いられる（代表値として、各分割領域の平均輝度値を用いることもできる）。これにより、１０２４次元のデータが得られる。したがって、この正規化部３１ｃは、画像データを入力して複数箇所（例えば、１０２４箇所）にて画像データの代表値を取得するデータ取得部により構成されている。なお、この正規化部３１ｃは、画像データを入力して複数領域に分割するデータ領域分割部と、このデータ領域分割部で分割された分割領域での画像データの代表値を取得するデータ取得部とから構成されているともいえる。
【００５４】
また、上記データ等作成・調整部３２は、図６に示すように、予め撮影された画像データを読み込む（取り込む）画像読込部３２ａと、上記画像圧縮係数取得部３１ｅにて取得された画像圧縮係数を用いて上記画像読込部３２ａにて読み込まれた画像データの次元を低次元に、すなわち次元圧縮を行う次元圧縮部３２ｂと、この次元圧縮部３２ｂで次元圧縮された画像データを訓練用画像として蓄積する訓練画像蓄積部３２ｃと、この訓練画像蓄積部３２ｃで蓄積された画像データを入力して訓練を行うことにより判断用パラメータを取得するパラメータ取得部３２ｄとから構成されている。なお、このデータ等作成・調整部３２にて取得される判断用パラメータは、稼動時における初期パラメータとして用いられ、また訓練時における初期値としても用いられる。
【００５５】
次に、実際の稼動時に実行される駐・空判断部１３について説明する。
なお、この駐・空判断部１３は、単独で作動するものであるため、画像データを読み込み、次元圧縮などの構成部分については、上述したものと同一のものが具備されており、当然ながら、この構成部分も再度説明する。
【００５６】
この駐・空判断部１３は、図７に示すように、撮影用カメラ２で撮影された撮影画像である画像データを読み込む画像読込部４１と、この画像読込部４１にて読み込まれた画像データから車室を切り出す（特定する）車室切出部４２と、この車室切出部４２にて切り出された車室の画像データを正規化する、つまり画像データを１０２４に分割する正規化部４３と、この正規化部４３で正規化された画像データを１０２４次元のベクトルにするベクトル化部４４と、このベクトル化部４４でベクトル化されたベクトルデータの次元を例えば５０次元に圧縮する次元圧縮部４５と、この次元圧縮部４５で次元圧縮された画像データの予め求められたクラスターの中心に対するマハラノビス距離を求めるマハラノビス距離計算部４６と、このマハラノビス距離計算部４６で求められたマハラノビス距離に基づきメンバーシップ関数ｕ＊およびメンバーシップ＊ｕを求める上記（７）式および（６）式が具備されたメンバーシップ計算部４７と、このメンバーシップ計算部４７で求められたメンバーシップ＊ｕに基づき、当該画像データが、いずれのクラスつまり駐車状態か空車状態であるかを判断する在車判断部４８とから構成されている。上記車室切出部４２、次元圧縮部４５、マハラノビス距離計算部４６、メンバーシップ計算部４７および在車判断部４８での計算に際しては、データベース部１４から適切な車室位置情報、画像圧縮係数、判断用パラメータなどが読み込まれて使用される。なお、実稼動時において、読み込まれる判断用パラメータは訓練などにより最適に調整された値である。ところで、駐車場が広い場合には、当然、撮影用カメラで撮影する範囲が限られるため、グループ分けが行われる。したがって、これらグループ毎にファジィクラスタリングが行わることになるため、判断用パラメータについても、各グループ毎に調整される。また、画像圧縮係数については、少し広い範囲に対して求められる。例えば、グループ毎ではなく、駐車場毎に求められる。
【００５７】
具体的には、マハラノビス距離計算部４６では、画像データの予め求められているクラスター中心に対するマハラノビス距離Ｄが求められ、そしてメンバーシップ計算部４７では、マハラノビス距離Ｄに基づきメンバーシップ関数ｕ＊（関数値）が求まり、このメンバーシップ関数ｕ＊に基づきメンバーシップ＊ｕが求められる。つまり、各クラスターに対してメンバーシップ＊ｕ１，＊ｕ２が求められる。そして、各クラス毎において、メンバーシップが加算されて、クラスにおけるメンバーシップ＊ｕｃ１，＊ｕｃ２が求められる。
【００５８】
そして、在車判断部４８において、これら求められた各クラスでのメンバーシップ＊ｕｃ１，＊ｕｃ２同士が比較されて、その値が大きい方に、この画像データが属していると判断される。
【００５９】
例えば、この判断時の各クラスにおけるメンバーシップを図８に示す。図８は、２つのクラス１およびクラス２に、それぞれ２つのクラスター１およびクラスター２をそれぞれ形成したもので、クラス１側には、ｖ１１のクラスター１とｖ１２のクラスター２とがあり、またクラス２側にも、ｖ２１のクラスター１と、ｖ２２のクラスター２とがある。図８において、Ｘの地点が判断すべき画像データであるとすると、クラス１における一方のクラスター１に対するＸのメンバーシップをｕ１１、他方のクラスター２に対するＸのメンバーシップをｕ１２とし、またクラス２の一方のクラスター１に対するＸのメンバーシップをｕ２１、他方のクラスター２に対するＸのメンバーシップをｕ２２とすると、Ｘのクラス１に対するメンバーシップｕ１は、ｕ１１＋ｕ１２となり、またＸのクラス２に対するメンバーシップｕ２は、ｕ２１＋ｕ２２となる。つまり、各クラスにおける各クラスターのメンバーシップの合計値（両クラスターに対するメンバーシップの高さの合計である）が各クラスに対するメンバーシップとなる。そして、そのメンバーシップｕ１，ｕ２のうち、大きい方のクラスに所属していることになる。クラス１に所属していれば、駐車状態であり、またクラス２に所属していれば、空車状態を示している。
【００６０】
なお、上述した粒子群最適化法にて誤識別率が最小となるように自由パラメータが探索されるが、例えばクラスターの混合比率αを変化させると、図８のクラスターの領域（等高線で示す）の形状が変化することになり、したがって２つのクラスの境界線も非線形に変化する。
【００６１】
ここで、全体のシステムの設置から稼動開始までの概略工程について説明する。
まず、この検知システムの設置に際しては、下記に示すように、二つの場合が考えられ、以下、この設置に際しての手順を概略的に説明した後、一つの場合に基づき具体的に説明する。
【００６２】
一つ目は、現地（駐車場）のカメラ画像すなわち画像データをシステム稼動前に入手できる場合（既設カメラ流用時）で、二つ目は、現地の画像データをシステム稼動前に入手できない場合（カメラ新設時）である。
【００６３】
一つ目の場合；
前もって入手した画像データを用いて、車室位置の設定、画像圧縮係数の計算および判断用パラメータの生成（訓練）を実施しておき、これらを用いてシステムを稼動させる。
【００６４】
そして、システム稼動後も、現地の画像データを収集して、判断用パラメータの訓練を続けることにより、識別精度の向上が図られる。
なお、駐車場で用いる画像圧縮係数および判断用パラメータは、データベース部１４に登録される（別の駐車場でも利用される）。
【００６５】
二つ目の場合；
撮影用カメラが設置されて画像データの取り込みが可能になると、画像データを取り込み、車室位置を仮に設定する。
【００６６】
しかし、画像データの取り込みが可能になっても、駐車場がオープンするまで車両は駐車しないので、現地での画像データの収集を行うことができず、したがって現地での画像データを使って判断用パラメータの訓練をすることができない。
【００６７】
そこで、駐車場オープン当初は、データベース部１４の中から当該駐車場に条件が似ている駐車場の画像圧縮係数および判断用パラメータを使って、システムを稼動させる。
これと同時に、この駐車場での画像データを収集しておき、この画像データを使って車室位置を詳細に設定し、新たに画像圧縮係数の計算および判断用パラメータの生成（訓練）を実施する。
【００６８】
そして、この判断用パラメータによる識別精度が、現在使っている他の駐車場の判断用パラメータよりも良くなった段階で、判断用パラメータを入れ替える。
その後も、現地の画像データを収集して判断用パラメータを訓練し続け、識別精度を向上させる。勿論、この場合も、駐車場で使用する画像圧縮係数および判断用パラメータはデータベース部に登録される（別の駐車場でも利用される）。
【００６９】
次に、一つ目の場合について、さらに具体的に説明する。
すなわち、データベース部１４には、既設駐車場の画像データにより得られた画像圧縮係数および判断用パラメータが記憶されている。
【００７０】
画像圧縮係数は、上述したように、画像データを主成分分析で圧縮する際の主成分ベクトル（基底ベクトル）と画像データの平均ベクトルである。この主成分ベクトルは、圧縮する次元数だけ存在する。すなわち、次元の数がｍ個（例えば、５０個）で、画素の数がｎ個（例えば、３２×３２＝１０２４個）であれば、画像圧縮係数は、ｎ×（ｍ＋１（平均ベクトル分））個存在することになる。
【００７１】
また、判断用パラメータは、最初に求められている各クラスターに対するマハラノビス距離を求めるためのデータで、例えば各クラスターの中心などである。
そして、新しい駐車場の検知システムにおいては、新しく設置された撮影用カメラにより画像データを収集して、判断用パラメータの精度の向上が図られる。
【００７２】
すなわち、撮影用カメラ２にて新しい駐車場を撮影し、この撮影された画像データに基づき車室Ｓの位置を特定する。
車室Ｓの位置が特定されると、撮影用カメラ２から画像データを読み込み、この画像データを正規化およびベクトル化した後、データベース部１４に記憶されている画像圧縮係数に基づき次元を、例えば１０２４次元から５０次元に圧縮する。そして、この次元圧縮された画像データに対して、マハラノビス距離を求めるとともに、このマハラノビス距離を用いてメンバーシップ関数を求め、この求められたメンバーシップ関数値を用いて、各クラスに対するメンバーシップを求める。
【００７３】
これら求められたメンバーシップについては、各クラス毎に加算してクラス毎のメンバーシップを求め、メンバーシップが大きい方のクラスに所属すると判断される。この工程を全ての画像データに繰り返して行うことにより、判断用パラメータが修正される。
【００７４】
次に、駐車状態であるか否かの判断について、具体的に説明する。
すなわち、撮影用カメラ２にて撮影された車室Ｓの画像データが画像読込部４１に読み込まれ、この画像データは車室切出部４２、正規化部４３およびベクトル化部４４で例えば１０２４次元データにベクトル化された後、次元圧縮部４５で次元が圧縮される。この次元圧縮部４５では、データベース部１４に記憶されている画像圧縮係数に基づき、その次元が１０２４次元から５０次元に圧縮される。次に、この次元圧縮された画像データはマハラノビス距離計算部４６にてマハラノビス距離が求められ、そしてメンバーシップ計算部４７において、マハラノビス距離を用いてメンバーシップ関数が求められた後、この求められたメンバーシップ関数値を用いて、各クラスに対するメンバーシップが求められる。そして、これら求められたメンバーシップの内、各クラス毎に加算してクラス毎のメンバーシップが求められる。
【００７５】
次に、これらクラス毎のメンバーシップが、在車判断部４８に入力されて、当該画像データに係るメンバーシップがいずれのクラスに所属するかが判断される。すなわち、撮影した画像が、駐車状態であるか空車状態であるかが判断される。
【００７６】
なお、上記説明におけるデータ等作成・調整部、各種計算部、圧縮部、各判断部などの殆どの構成部分は、プログラムにより、その機能が実現されるものである。
また、上記説明においては、駐車場を屋外として説明したが、撮影条件が良い屋内にも、当然に、この検知システムを適用することができる。
【００７７】
ここで、この検知システムを実際に適用した実験結果について説明しておく。
屋上駐車場に設置されている監視カメラ（撮影用カメラである）の画像から２７車室の駐車状況の識別を行った。実験には、天候や時間帯の異なる様々な条件下の３週間分の画像データから、２６００枚の画像を選んで用いた。
【００７８】
性能評価を行った手順を以下に説明する。
最初にカメラ番号や用いる画像の枚数、車室数やそのグループ分けを指定し、次に車室の切り出し箇所を画面上で指定した。
【００７９】
まず、最初の１００枚（２７００件）の画像データから５０の主成分ベクトルを求めた。訓練用データは第１週目の１０００枚と第３週目の６００枚から選び、テストとして第２週目の１０００枚（２７０００件）で評価した。第１週から２０枚（５０枚飛び）の画像を選び各駐車スペースの駐・空（クラス）を入力することで、訓練用データを集め、識別器の学習・訓練を行った。
【００８０】
次に、第１週の画像で誤識別のあるものを訓練データに追加し、最後にもう一度、識別器の学習・訓練を行った。さらに、第３週目についても同様に訓練データを追加した。
下記に示す（表１）および（表２）の下段に、第２週目の１０００枚（２７０００件）で評価した誤識別率を示す。なお、各表は、昼夜を分けた場合の誤識別率を示す。
【００８１】
すなわち、カメラ画像から空の一部を切り取り、その平均輝度の閾値で昼夜を判定した。（表１）は訓練用データを第１週目の１０００枚から１１１枚（２９９７件）選び、（表２）は第３週目の６００枚から４４枚（１１８８件）を追加して第１週目と第３週目のデータから合計１５５枚（４１８５件）を訓練用データとした。第３週目の訓練用データを追加した場合（表２）は、追加しない場合に比べて（表１）、昼は２．５３％から１．４２％に減少し、昼夜全体では２．０４％で実用化可能な誤識別率になった。誤識別の評価には正しいクラス情報の入った第２週目のテストデータ２７０００件を用いた。
【００８２】
【表１】
【００８３】
【表２】
このように、屋外では１台の撮影用カメラで多くの駐車スペースをカバーできるため、室内用に比べて低コストの検知システムを実現することができる。また、センサー方式に比べても安価であり、既設駐車場への適用も容易であり、上記のように、性能評価実験では２．０４％という実用化可能な誤識別率となった。
【００８４】
上述したように、この検知システムおよび検知方法によると、撮影用カメラにより撮影された撮影画像すなわち画像データから車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この正規化された代表値としての画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離をメンバーシップ関数に代入するとともにこの関数値に基づきメンバーシップを求め、この求められたメンバーシップを用いて車室内に車両が存在するか否かを判断するようにしたので、駐車場が屋外であっても、効率良く、すなわち高い識別率でもって（誤識別が少ない状態で）、駐車状態および空車状態を判断することができる。
【００８５】
また、画像データの次元を主成分分析法により圧縮するようにしたので、画像の特徴を維持した状態で画素データを少なくすることができる。言い換えれば、構成としては安価な構成である撮影用カメラを用いて、精度良く駐車状態または空車状態を検知することができる。
【００８６】
さらに、判断用パラメータのうち、メンバーシップ関数の自由パラメータについては、粒子群最適化法により最適化を図るようにしているので、迅速且つ効率的に、その最適化を図ることができる。つまり、誤識別率を低下させることができる。性能評価実験で示したように、訓練用データを追加して再最適化することで、さらに誤識別率を大幅に低減させることができる。
【符号の説明】
【００８７】
Ｓ 駐車スペース
１ 支柱
２ 撮影用カメラ
１１ 車室設定部
１２ データ等作成・調整部
１３ 駐・空判断部
１４ データベース部
２１ 車室位置設定部
２２ 車室位置情報取得部
３１ 画像圧縮係数計算部
３１ａ 画像読込部
３１ｂ 車室切出部
３１ｃ 正規化部
３１ｄ 主成分分析部
３１ｅ 画像圧縮係数取得部
３２ パラメータ調整部
３２ａ 画像読込部
３２ｂ 画像圧縮部
３２ｃ 訓練画像蓄積部
３２ｄ パラメータ取得部
４１ 画像読込部
４２ 車室切出部
４３ 正規化部
４４ ベクトル化部
４５ 次元圧縮部
４６ マハラノビス距離計算部
４７ メンバーシップ計算部
４８ 在車判断部
【特許請求の範囲】
【請求項１】
駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知システムであって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化する正規化部と、この正規化部で得られた代表値よりなる画像データをベクトル化するベクトル化部と、このベクトル化部でベクトル化されたベクトルデータの次元を圧縮する次元圧縮部と、この次元圧縮部で圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求めるマハラノビス距離計算部と、このマハラノビス距離計算部で求められたマハラノビス距離を下記（１）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（２）式に代入してメンバーシップ（チルダｕ）を求めるメンバーシップ計算部と、このメンバーシップ計算部で求められたメンバーシップを用いて駐車状態または空車状態のいずれかのクラスにクラスタリングを行い車室内に車両が存在するか否かを判断する車両判断部とを具備したことを特徴とする駐車場における車両の検知システム。
【数１】
但し、上記式中、αｑｊはクラスターｑ内のクラスターｊの混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【請求項２】
次元圧縮部にて次元を圧縮する際に、主成分分析法を用いたことを特徴とする請求項１に記載の駐車場における車両の検知システム。
【請求項３】
（１）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いたことを特徴とする請求項１に記載の駐車場における車両の検知システム。
【請求項４】
駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知方法であって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この正規化された代表値よりなる画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離を下記（３）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（４）式に代入してメンバーシップ（チルダｕ）を求め、この求められたメンバーシップを用いて車室内に車両が存在するか否かを判断することを特徴とする駐車場における車両の検知方法。
【数２】
但し、上記式中、αｑｊはクラスターｑ内の混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【請求項５】
（３）式に示すメンバーシップ関数（ｕ＊）の各パラメータについては、訓練用データに基づき予め決定し、
且つこの決定に際しては、
まず訓練用データを用いて駐車状態および空車状態を示すクラス毎にセミハードクラスタリングを行うことにより、各クラス毎における各クラスターの中心およびメンバーシップを求め、
次に評価用データにより、（３）式に示すメンバーシップ関数（ｕ＊）および（４）式に示すメンバーシップ（チルダｕ）を用いて当該メンバーシップが正しいクラスに所属するように、（３）式における各パラメータ（ｍ，γ，ν，α）の最適化を図るようにしたことを特徴とする請求項４に記載の駐車場における車両の検知方法。
【請求項６】
（３）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いたことを特徴とする請求項５に記載の駐車場における車両の検知方法。
【請求項１】
駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知システムであって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化する正規化部と、この正規化部で得られた代表値よりなる画像データをベクトル化するベクトル化部と、このベクトル化部でベクトル化されたベクトルデータの次元を圧縮する次元圧縮部と、この次元圧縮部で圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求めるマハラノビス距離計算部と、このマハラノビス距離計算部で求められたマハラノビス距離を下記（１）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（２）式に代入してメンバーシップ（チルダｕ）を求めるメンバーシップ計算部と、このメンバーシップ計算部で求められたメンバーシップを用いて駐車状態または空車状態のいずれかのクラスにクラスタリングを行い車室内に車両が存在するか否かを判断する車両判断部とを具備したことを特徴とする駐車場における車両の検知システム。
【数１】
但し、上記式中、αｑｊはクラスターｑ内のクラスターｊの混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【請求項２】
次元圧縮部にて次元を圧縮する際に、主成分分析法を用いたことを特徴とする請求項１に記載の駐車場における車両の検知システム。
【請求項３】
（１）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いたことを特徴とする請求項１に記載の駐車場における車両の検知システム。
【請求項４】
駐車場を撮影した画像データに対してファジィクラスタリングを行い車室が駐車状態であるか空車状態であるかを判断する車両の検知方法であって、
撮影用カメラにより撮影された撮影画像から車室を切り出すとともにこの切り出された車室毎の画像データから複数の代表値を取得して正規化し、この正規化された代表値よりなる画像データをベクトル化し、このベクトル化されたベクトルデータの次元を圧縮し、この圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求め、この求められたマハラノビス距離を下記（３）式に示すメンバーシップ関数（ｕ＊）に代入するとともにこの関数値を下記（４）式に代入してメンバーシップ（チルダｕ）を求め、この求められたメンバーシップを用いて車室内に車両が存在するか否かを判断することを特徴とする駐車場における車両の検知方法。
【数２】
但し、上記式中、αｑｊはクラスターｑ内の混合比率、Ｓは分散共分散行列、πｑはクラスｑの混合比率である。
【請求項５】
（３）式に示すメンバーシップ関数（ｕ＊）の各パラメータについては、訓練用データに基づき予め決定し、
且つこの決定に際しては、
まず訓練用データを用いて駐車状態および空車状態を示すクラス毎にセミハードクラスタリングを行うことにより、各クラス毎における各クラスターの中心およびメンバーシップを求め、
次に評価用データにより、（３）式に示すメンバーシップ関数（ｕ＊）および（４）式に示すメンバーシップ（チルダｕ）を用いて当該メンバーシップが正しいクラスに所属するように、（３）式における各パラメータ（ｍ，γ，ν，α）の最適化を図るようにしたことを特徴とする請求項４に記載の駐車場における車両の検知方法。
【請求項６】
（３）式にて示すメンバーシップ関数（ｕ＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法を用いたことを特徴とする請求項５に記載の駐車場における車両の検知方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【公開番号】特開２０１１−１３９２４（Ｐ２０１１−１３９２４Ａ）
【公開日】平成２３年１月２０日（２０１１．１．２０）
【国際特許分類】
【出願番号】特願２００９−１５７３７２（Ｐ２００９−１５７３７２）
【出願日】平成２１年７月２日（２００９．７．２）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成２１年２月２１日 日本知能情報ファジィ学会主催の「東海ファジィ研究会」において文書をもって発表
【出願人】（５０５１２７７２１）公立大学法人大阪府立大学 (688)
【出願人】（０００１３４９２５）株式会社ニチゾウテック (22)
【出願人】（０００００５１１９）日立造船株式会社 (764)
【Ｆターム（参考）】
【公開日】平成２３年１月２０日（２０１１．１．２０）
【国際特許分類】
【出願日】平成２１年７月２日（２００９．７．２）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成２１年２月２１日 日本知能情報ファジィ学会主催の「東海ファジィ研究会」において文書をもって発表
【出願人】（５０５１２７７２１）公立大学法人大阪府立大学 (688)
【出願人】（０００１３４９２５）株式会社ニチゾウテック (22)
【出願人】（０００００５１１９）日立造船株式会社 (764)
【Ｆターム（参考）】
[ Back to top ]