異種センサを用いた人の行動検知 研究概要 研究の独自性 isi担当 高汐グループ成果 スライド到着待ち yasu担当.

Presentation on theme: "異種センサを用いた人の行動検知 研究概要 研究の独自性 isi担当 高汐グループ成果 スライド到着待ち yasu担当."— Presentation transcript:

1 異種センサを用いた人の行動検知 研究概要 研究の独自性 isi担当 高汐グループ成果 スライド到着待ち yasu担当

2 Distance from camera (m)
ステレオカメラを用いた人の行動解析 研究概要 研究の独自性 ステレオ画像解析による高次歩行者コンテクストの実時間解析 　- 複数歩行者の3次元運動計測データから歩行者行動、 　 グループ行動、不穏な空気を抽出 　- TDBN (Timed Dynamic Bayesian Net.) の導入 　　・過去の3次元運動計測データ(時系列データ)を考慮したベイズ推論 　- 多段推論機構の導入 　　　前段：歩行者行動モデルの自動生成と異常検知 　　　後段：異常状態の詳細推定 ・ 低設置コスト、低インストールコスト 　　- 単体ステレオカメラから推論 ・ 3次元運動計測データに基づいた人（群）行動抽出 　　- 子供と大人の行動分類や転倒など高さ方向のデータが必要な行動解析に適用可能 　　- 従来は2次元座標値のみから抽出 ・ 個人行動だけでなく人群としての行動抽出 ・ 過去の運動計測データを考慮した行動モデル ・ 監視対象人物（群）の選定と行動解析の2段推論 3次元運動データ出力 差分ステレオの基本アルゴリズム Stereo camera system data Stereo Camera’s frame 14 frame / sec sliding window 歩行者（群）3次元運動データ 3次元速度 速度ベクトル類似性 距離データ平均 ベクトル挟角平均，等 Camera 前段：イベント抽出 後段：TDBN 実時間推論 Turn right Distance from camera (m) （※ 後から送られてくるスライドに変更） Time (sec)

3 Distance from camera (m)
ステレオカメラを用いた人の行動解析 研究概要 研究の独自性 差分ステレオ技術を用いて、人の３次元空間的な移動を検知し、不審者や不隠状況を抽出する 　- 複数歩行者の3次元運動計測データから歩行者行動、 　 グループ行動、不穏な空気を抽出 　- TDBN (Timed Dynamic Bayesian Net.) の導入 　　・過去の3次元運動計測データ(時系列データ)を考慮したベイズ推論 　- 多段推論機構の導入 　　　前段：歩行者行動モデルの自動生成と異常検知 　　　後段：異常状態の詳細推定 ・ 低設置コスト、低インストールコスト 　　- 単体ステレオカメラから推論 ・ 3次元運動計測データに基づいた人（群）行動抽出 　　- 子供と大人の行動分類や転倒など高さ方向のデータが必要な行動解析に適用可能 　　- 従来は2次元座標値のみから抽出 ・ 個人行動だけでなく人群としての行動抽出 ・ 過去の運動計測データを考慮した行動モデル ・ 監視対象人物（群）の選定と行動解析の2段推論 3次元運動データ出力 差分ステレオの基本アルゴリズム Stereo camera system data Stereo Camera’s frame 14 frame / sec 歩行者（群）3次元運動データ 3次元速度 速度ベクトル類似性 距離データ平均 ベクトル挟角平均，等 前段：イベント抽出 後段：TDBN 実時間推論 sliding window Camera Turn right Distance from camera (m) （※ 後から送られてくるスライドに変更） Time (sec)

4 Time Dynamic Bayesian Net
ステレオカメラを用いた人の行動解析 研究概要 研究の独自性 　差分ステレオ技術を用いて、人の３次元空間的な移動を検知し、不審者や不隠状況を抽出する． ・　複数歩行者の３次元運動計測データから歩行者、グループ行動、 　 異常な行動を抽出 ・　TDBN （Time Dynamic Bayesian Net） の導入 　　－ 過去の３次元運動計測データ（時系列）を考慮したベイズ推論 ・　多段推論機構の導入 　　－ 前段：歩行者行動の自動生成と異常検知 　　－ 後段：異常状態の詳細推定 　差分ステレオによる3次元運動計測は、従来の2次元計測と異なり、子供と大人の行動分類や転倒など高さ方向のデータを必要とする行動解析が可能である。 　さらに、我々のシステムは、リアルタイムの3次元運動計測データ解析を実現している。時間経過に伴うコンテクストの変化を考慮することで、より正確なコンテスト抽出を可能としている。歩行者がしゃがみ込んだ場合、休憩を取っているのか、転倒しているのかある時間の状態から得られたデータだけで判別することは難しい。 人物の3次元運動計測 移動領域検出 コンテキスト抽出のフロー 時系列ステレオカメラデータ 前段：イベント抽出 t 秒 t -1秒 t -2秒 t +1秒 DP Matching（k-means method)による異常行動パターン検出 速度ベクトル類似性 距離データ平均 ベクトル挟角平均，等 歩行者(群)3次元運動データ 後段：TDBN 実時間推論 今年度の成果 ① 人物の3次元位置，幅，高さを時系列で計測 ② 影の除去に成功 過去の3次元運動計測データ（時系列）を考慮したベイズ推論 Time Dynamic Bayesian Net t-Δt 秒前の 状態変数 t秒での t+Δt 秒後の モデルに記述された時間情報に応じてノードに変数をセットしてベイズ推論を 実行する 適応例：転倒の検出 t-1秒前 t秒 t+1秒後 画像入力 シーン 移動領域検出 マッチング 視差検出・距離計測