JP2019053608A - 特徴行動検知装置 - Google Patents

Abstract

【課題】学習データの収集期間を短縮し、かつ、特徴行動の検知精度を保つことができる特徴行動検知装置を提供する。【解決手段】特徴行動検知システム１００において、特徴行動検知装置は、データ取得部３１と、新規グループ化部３４２とを具備する。データ取得部３１は、複数のセンサのセンサ値を取得する。新規グループ化部３４２は、前記センサ値から検出される検知対象体の行動パターンに基づき、前記複数のセンサをグループ化する。【選択図】図２

Description

本発明の実施形態は、特徴行動検知装置に関する。

近年、たとえばターミナル駅やショッピングモールなど、不特定多数の人間が行き交う場所において、監視カメラなどのセンサを設置し、特徴行動などと称される、通常とは異なる特徴的な行動を検知する取り組みが行われている。特徴行動の検知は、不審者の検知に止まらず、たとえば人の流れ方や集まり方が普段と違うなどといった監視対象エリア内における状況の検知にも適用し得る。つまり、特徴行動を検知することで、たとえば警備員の配置・派遣を適応的に行うといったことが可能となる。

特徴行動を検知するために、たとえば特徴行動ごとに検知ルールを設定することは、困難かつ非常に手間がかかる。このことから、特徴行動を検知する手法の一つとして、統計的処理や機械学習によって通常の行動を学習し、当該学習した通常の行動とは異なる行動を特徴行動として検知する手法が提案されるに至っている。

特許第５７１２８６８号公報 特開２０１６−１９１９６６号公報 特開２０１６−１９１９７５号公報

たとえば、機械学習によって通常の行動を学習するためには、たとえば平日のデータ（監視カメラなどのセンサのセンサ値）と土休日のデータとを含む１週間分のデータを数セット収集しなければならないなど、学習データの収集期間がある程度必要であった。したがって、特徴行動を検知するシステムの導入から運用開始までにある程度の期間を置かざるを得なかった。

学習データの収集期間を短縮するために、たとえば、駅構内の異なる場所、異なる駅、駅や店舗などの異なる施設など、異なる環境下において設置された複数の監視カメラなどのセンサからデータを収集することが考えられ得る。しかしながら、異なる環境下において得られたデータを混ぜてしまうと、機械学習による特徴行動の検知精度（機械学習によって学習した通常の行動とは異なる行動の検知精度）が著しく低下する。

本発明が解決しようとする課題は、学習データの収集期間を短縮し、かつ、特徴行動の検知精度を保つことができる特徴行動検知装置を提供することである。

実施形態によれば、特徴行動検知装置は、取得部と、新規グループ化部とを具備する。取得部は、複数のセンサのセンサ値を取得する。新規グループ化部は、前記センサ値から検出される対象体の行動パターンに基づき、前記複数のセンサをグループ化する。

実施形態の特徴行動検知システムの概要を説明するための図。 実施形態の特徴行動検知システムの一構成例を示す図。 実施形態の特徴行動検知システムのハードウェア構成の一例を示す図。 実施形態の特徴行動検知システムの行動パターンによるセンサのグループ化を説明するための概念図。 実施形態の特徴行動検知システムにおけるセンサのグループ化および通常の行動の学習に関する処理の流れを示すフローチャート。 実施形態の特徴行動検知システムにおけるセンサの新規グループ化に関する処理の流れを示すフローチャート。 実施形態の特徴行動検知システムにおいて用いられるグループ情報の一例を示す図。 実施形態の特徴行動検知システムにおいて用いられるセンサ情報の一例を示す図。 実施形態の特徴行動検知システムにおける追加されたセンサに対する処理の概要を説明するための図。 実施形態の特徴行動検知システムにおける追加されたセンサに対する処理の流れを示すフローチャート。 実施形態の特徴行動検知システムの行動パターンによるセンサのグループ化が実行された状態の一例を示す図。 実施形態の特徴行動検知システムにおける正規化を含む学習データの収集に関する処理の流れを示すフローチャート。 実施形態の特徴行動検知システムにおける正規化を含む特徴行動の検知に関する処理の流れを示すフローチャート。 実施形態の特徴行動検知システムにおける行動パターンによるセンサのグループ化の効果の一例を説明するための図。

以下、実施形態について図面を参照して説明する。

図１は、本実施形態の特徴行動検知システム１００の概要を説明するための図である。

この特徴行動検知システム１００は、駅、店舗、多目的ホールなどの様々な場所における特徴行動の検知を一元的に実行するシステムを想定している。より詳細には、この特徴行動検知システム１００は、様々な場所に設置される監視カメラなどの複数のセンサ１を用いて様々な場所での特徴行動を検知するシステムを想定している。ただし、特徴行動検知システム１００に接続されるセンサ１は、同種のセンサで統一されているものとする。

また、この特徴行動検知システム１００は、通常の行動とは異なる行動を特徴行動として検知するシステムであって、複数のセンサ１を用いることによって、通常の行動を学習するための学習データの収集期間を短縮し、かつ、特徴行動の検知精度を保つことができるようにしたシステムである。以下、特徴行動検知システム１００が、設置場所が異なったり、設置条件が異なったりする複数のセンサ１を用いながらも、特徴行動の検知精度を保つために備える仕組みについて詳述する。

図２は、特徴行動検知システム１００の一構成例を示す図である。

図２に示すように、特徴行動検知システム１００は、複数のセンサ１と、センサデータ管理装置２と、特徴行動検知装置３とを備える。特徴行動検知システム１００は、発報装置４や情報配信装置５を備えてもよい。なお、ここでは、センサデータ管理装置２と特徴行動検知装置３とを分けて示しているが、これらは、たとえば同一のコンピュータによって構築されてもよい。また、センサデータ管理装置２および特徴行動検知装置３の一方または両方は、たとえば負荷分散などのために、たとえばネットワークを介して協働可能な２以上のコンピュータによって構築されてもよい。

様々な場所に設置される監視カメラなどの複数のセンサ１のセンサ値は、センサデータ管理装置２（データ管理部２１）へ送信される。センサ１とセンサデータ管理装置２との間で通信する手法については、特定の手法に限定されず、ここでは問わないが、たとえばインターネットなどのネットワーク経由で通信する手法を採用し得る。センサ値は、たとえば監視カメラの映像（画像）データであるが、前述したように、センサ１は、必ずしも監視カメラに限定されず、センサ値としては、温度、煙などの検知データとなる場合もある。

センサデータ管理装置２は、データ管理部２１と、センサデータＤＢ（Data base）２２と、センサ情報ＤＢ２３とを備えている。

データ管理部２１は、複数のセンサ１から送信されてくるセンサ値を、グループ化用データ２２Ａ、学習用データ２２Ｂ、検知用データ２２Ｃとして、センサデータＤＢ２２によって管理する機能を有する。たとえば、１つのセンサ値が、グループ化用データ２２Ａ、学習用データ２２Ｂ、検知用データ２２Ｃとして重複して用いられ得る。グループ化用データ２２Ａは、後述する、複数のセンサ１をグループ化する処理（クラスタリングなどとも称される）に用いられるデータである。学習用データ２２Ｂは、特徴行動を検知するための通常の行動の学習に用いられるデータである。検知用データ２２Ｃは、特徴行動の検知に用いられるデータである。データ管理部２１は、これらの各データを、センサ１ごとに時系列に読み出し可能にセンサデータＤＢ２２に格納する。データ管理部２１は、センサデータＤＢ２２内の各データを、センサ１ごとに削除することもできる。

また、データ管理部２１は、センサ１の台数の増減を把握し得る情報を含むセンサ１に関する情報（センサ情報）を、センサ情報ＤＢ２３によって管理する機能を有する。センサ１が増設された場合や撤去された場合、システム管理者によって、センサ情報ＤＢ２３の更新が行われる。この更新は、センサ１が増設された場合や撤去された場合、その都度行われることが好ましいが、一定期間ごとに当該一定期間内において増設または撤去されたセンサ１について一括して行われるものであってもよい。センサ情報ＤＢ２３は、最新（更新後）のセンサ情報と、少なくとも１世代以上の更新前のセンサ情報とを保持する。センサ情報は、センサ１の増減として、センサ１の総数の差分数ではなく、センサ１の増設数と撤去数とのそれぞれを把握し得る情報であることが好ましい。さらに、センサ情報は、たとえば設置条件が変更されたセンサ１の数を把握し得る情報であることが好ましい。つまり、システム管理者は、たとえば設置条件が変更されたセンサ１についても、センサ情報ＤＢ２３の更新を行うことが好ましい。たとえば設置条件が変更されたセンサ１については、撤去され、かつ、新たに増設されたものとして、センサ情報が更新されてもよい。ここで、この特徴行動検知システム１００では、システム管理者が、センサ１のグループ化に関する情報を、たとえばセンサ情報などとしてセンサ情報ＤＢ２３へ登録する必要がないことを留意点として挙げておく。その理由については後述する。

また、データ管理部２１は、センサデータＤＢ２２に格納される各種データや、センサ情報ＤＢ２３に格納されるセンサ情報を、特徴行動検知装置３（データ取得部３１）へ送信する機能を有する。センサデータ管理装置２と特徴行動検知装置３との間で通信する手法については、特定の手法に限定されず、ここでは問わないが、たとえばインターネットなどのネットワーク経由で通信する手法を採用し得る。

特徴行動検知装置３は、データ取得部３１、対象物検知部３２、特徴量算出部３３、グループ化部３４、グループ管理部３５、機械学習部３６、特徴行動検知・識別部３７、学習モデルＤＢ３８およびグループ情報ＤＢ３９を備える。データ取得部３１、対象物検知部３２、特徴量算出部３３、グループ化部３４、グループ管理部３５、機械学習部３６および特徴行動検知・識別部３７の一部または全部は、各々の処理手順が記述されたプログラムをプロセッサに実行させることによって実現されるものであってもよいし、専用の電子回路によって実現されるものであってもよい。図３に、特徴行動検知装置３のハードウェア構成の一例を示す。

図３に示すように、特徴行動検知装置３は、プロセッサ５１、主メモリ５２、外部記憶装置５３、通信装置５４、入力装置５５および表示装置５６を備える。また、特徴行動検知装置３は、これらを相互接続するためのバス５７を備える。なお、前述したように、特徴行動検知装置３は、２以上のコンピュータ（サーバとファイルサーバなど）によって構築されてもよく、図３は、そのハードウェア構成例を概略的に示しているに過ぎない。

ここでは、特徴行動検知装置３は、外部記憶装置５３に格納される特徴行動検知プログラム３Ａが当該外部記憶装置５３から主メモリ５２にロードされてプロセッサ５１によって実行されることによって、図２に示したデータ取得部３１、対象物検知部３２、特徴量算出部３３、グループ化部３４、グループ管理部３５、機械学習部３６、特徴行動検知・識別部３７が実現されるものとする。また、図２に示した学習モデルＤＢ３８、グループ情報ＤＢ３９および後述する行動パターンＤＢ３４４は、外部記憶装置５３内に構築されるものとする。

通信装置５４は、センサデータ管理装置２、発報装置４および情報配信装置５との間の通信を実行する装置である。入力装置５５は、特徴行動検知装置３のオペレータなどが指令を含む情報入力を行うための装置である。表示装置５６は、特徴行動検知装置３のオペレータなどへ情報出力を行うための装置である。

図２に戻って説明を続ける。データ取得部３１は、センサデータ管理装置２（データ管理部２１）から、センサ１のセンサ値である各種データや、センサ情報を取得する機能を有する。データ取得部３１によって取得された各種データは、対象物検知部３２と特徴量算出部３３とに渡され、センサ情報は、グループ化部３４に渡される。なお、センサデータ管理装置２（データ管理部２１）とデータ取得部３１との間の各種データの授受は、センサ１によるデータの取得とほぼ同時のいわゆるリアルタイム処理としても実施され得るし、センサデータＤＢ２２に格納された後、必要に応じて、いわゆるバッチ処理としても実施され得る。

対象物検知部３２は、センサ１の検知対象領域内に存在するたとえば人や人の集合体などを検知する。以下、対象物検知部３２が検知対象とする人や人の集合体などを対象物または対象体などと称することがある。対象物を検知する手法は、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。対象物検知部３２による対象物の検知結果は、特徴量算出部３３、グループ化部３４、機械学習部３６および特徴行動検知・識別部３７に通知される。

特徴量算出部３３は、対象物検知部３２から通知される対象物の特徴量を算出する。特徴量は、対象物の行動を表現し得る値であり、たとえば密度や動きベクトルなどを含む情報である。特徴量算出部３３は、学習・検知用特徴量算出部３３１、動きベクトル算出部３３２および正規化部３３３を備える。

学習・検知用特徴量算出部３３１は、特徴行動を検知するための通常の行動の学習に用いられ、または、特徴行動の検知に用いられる対象物の特徴量を算出する。対象物の特徴量を算出する手法は、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。

また、動きベクトル算出部３３２は、対象物検知部３２から通知される対象物の特徴量であって、特に、センサ１のグループ化に用いるのに好適な対象物の動きベクトルを算出する。動きベクトルを算出する手法も、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。センサ１のグループ化および動きベクトルについては後述する。

学習・検知用特徴量算出部３３１により算出された学習・検知用特徴量と、動きベクトル算出部３３２により算出された動きベクトルとは、正規化部３３３に渡される。正規化部３３３は、受け取った学習・検知用特徴量や動きベクトルについて、たとえばセンサ１間における設置条件の違いなどの影響を排除するための正規化を実行する。正規化部３３３の処理については後述する。正規化部３３３により正規化が施された学習・検知用特徴量は、機械学習部３６と特徴行動検知・識別部３７とに渡される。また、正規化部３３３により正規化が施された動きベクトルは、グループ化部３４（行動パターン決定部３４１）に渡される。

機械学習部３６は、特徴量算出部３３（正規化部３３３）から受け取る学習・検知用特徴量を用いて、特徴行動を検知するための通常の行動を学習する。特徴行動検知・識別部３７は、特徴量算出部３３（正規化部３３３）から受け取る学習・検知用特徴量を用いて、機械学習部３６により学習された通常の行動と異なる行動を特徴行動として検知する。通常の行動を学習する手法は、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。また、通常の行動と異なる行動を特徴行動として検知する手法も、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。特徴行動検知・識別部３７は、特徴行動を検知した場合、その特徴行動の行動内容を識別する。行動内容を識別する手法も、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。特徴行動検知・識別部３７による特徴行動の検知および行動内容の識別の結果は、発報装置４や情報配信装置５へ通知され、発報装置４による係員への通知や情報配信装置５による利用者への情報配信が実行される。

ところで、設置場所が異なったり、設置条件が異なったりする複数のセンサ１から収集されるデータを混ぜると、機械学習部３６による通常の行動の学習精度が低下し、これに伴い、特徴行動検知・識別部３７による（通常の行動とは異なる行動である）特徴行動の検知精度が低下するおそれがある。そこで、この特徴行動検知システム１００における特徴行動検知装置３は、機械学習部３６による通常の行動の学習精度を保ち、また、特徴行動検知・識別部３７による特徴行動の検知精度を保つために、グループ化部３４とグループ管理部３５とを備える。なお、特徴量算出部３３の正規化部３３３も、機械学習部３６による通常の行動の学習精度を保ち、また、特徴行動検知・識別部３７による特徴行動の検知精度を保つことに寄与する特徴行動検知システム１００（特徴行動検知装置３）に独自のものであるが、判り易くするために、グループ化部３４およびグループ管理部３５の説明とは分けて説明する。

図４は、グループ化部３４の行動パターンによるセンサ１のグループ化を説明するための概念図である。この図４と図２とを併せて参照して、まず、グループ化部３４の行動パターン決定部３４１と新規グループ化部３４２とについて説明する。

前述したように、グループ化部３４は、対象物検知部３２からの通知を受け、また、特徴量算出部３３から（動きベクトル算出部３３２により算出され、正規化部３３３により正規化された）動きベクトルを受け取る。

特徴量算出部３３の動きベクトル算出部３３２は、対象物検知部３２から通知された対象物それぞれについて、たとえば時間的に連続する２つのセンサ値の取得間隔での移動方向および移動量を示す動きベクトルを算出する。たとえばセンサ１が監視カメラである場合、動きベクトル算出部３３２は、対象物のフレーム間での移動方向および移動量を示す動きベクトルを算出する。グループ化部３４の行動パターン決定部３４１は、対象物検知部３２から通知された対象物それぞれについて、特徴量算出部３３から受け取った動きベクトルに基づき、行動パターンを決定する（ＳＴＥＰ１）。

たとえば、行動パターン決定部３４１は、移動方向を、上、右斜め上、右、右斜め下、下、左斜め下、左、左斜め上の８方向に分類し、また、移動量、つまり速度を、低速、普通、高速の３速度に分類する。行動パターン決定部３４１は、８方向×３速度＝２４通りに停止を加えた２５通りの中から対象物の行動パターンを決定し、その結果を行動パターンテーブル上に集計する。なお、方向や速度の分類数は単なる一例であって、これらに限定されるものではない。行動パターンテーブル上の２５個の数値の合計は、対象物検知部３２から通知される対象物の数である。行動パターン決定部３４１は、このように作成される行動パターンテーブルを行動パターンＤＢ３４４に格納する。

グループ化部３４の新規グループ化部３４２は、行動パターンＤＢ３４４に格納される行動パターンテーブルを用いて、センサ１のグループ化を行う。新規グループ化部３４２によるセンサ１のグループ化が行われるタイミングとしては、第１に、特徴行動検知システム１００の導入時が挙げられる。特徴行動検知システム１００の導入時、たとえば特徴行動検知システム１００全体で１０００台のセンサ１が設置される場合、この１０００台のセンサ１をいくつかのグループに分ける処理が初期処理として新規グループ化部３４２によって実行される。また、第２に、特徴行動検知システム１００内でのセンサ１の増減の割合がしきい値を超えた場合が挙げられる。この増減は、センサデータ管理装置２のセンサ情報ＤＢ２３に格納されているセンサ情報から取得することができる。センサ１の増減は、センサ１の総数の差分数ではなく、センサ１の変動数であることが好ましい。たとえばＸ台が増設され、Ｙ台が撤去され、Ｚ台の設置条件が変更された場合であって、｜Ｘ−Ｙ｜の総数に占める割合がしきい値未満に収まる場合であっても、Ｘ＋Ｙ＋Ｚの総数に占める割合がしきい値を越える場合には、改めて、センサ１をいくつかのグループに分ける処理が実行されることが好ましい。なお、センサ１のグループ化の実行要否の判定については、たとえば増設数と撤去数とを各々しきい値と比較するなど、様々な手法を採用し得る。

新規グループ化部３４２は、まず、たとえば１日や１週間などの所定の期間における各センサ１の行動パターンの検出数を時系列に抽出する（ＳＴＥＰ２）。たとえば、低速で上に動く行動パターンを行動１とし、低速で右斜め上に動く行動パターンを行動２とするといった具合に、新規グループ化部３４２は、前述した２５通りの行動パターンの検出数を行動パターン別かつ時系列に抽出する。また、これと併せて、新規グループ化部３４２は、全行動パターン合計の検出数を時系列に抽出する。

そして、新規グループ化部３４２は、前述した所定の期間における行動パターンごとの検出数の時間変化率と、全行動パターンの総検出数の推移とを求め、これらを基準にセンサ１のグループ化を実行する（ＳＴＥＰ３）。

行動パターンごとの検出数の時間変化率からは、行動の傾向と、時間帯による行動の変化を捉えることができる。また、全行動パターンの総検出数の推移からは、各センサ１における検出数の規模の傾向を捉えることができる。これらを基準にすることで、新規グループ化部３４２は、行動の傾向と規模の傾向との関連性の高いセンサ１同士が同一のグループに属するようにセンサ１のグループ化を実行することができる。このように、本実施形態の特徴行動検知装置３は、センサ１によって検知される対象物の行動からセンサ１のグループ化を自動的に行うという独自の機能を有している。なお、与えられた基準に沿ったグループ化の手法は、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。新規グループ化部３４２によるセンサ１のグループ化の結果は、グループ管理部３５に通知される。

グループ化部３４の追加センサ処理部３４３は、センサ１が追加された場合に、そのセンサ１をどのグループに編入するかなどの処理を実行する。追加センサ処理部３４３の処理については後述する。なお、追加センサ処理部３４３の処理結果も、グループ管理部３５に通知される。

グループ管理部３５は、グループ化部３４（新規グループ化部３４２、追加センサ処理部３４３）からの通知を受けて、センサ１のグループに関する情報であるグループ情報の作成および更新を行う。グループ情報は、グループ情報ＤＢ３９に格納される。また、グループ管理部３５は、グループ情報で示されるグループごとの学習モデルを学習モデルＤＢ３８によって管理する。

グループ管理部３５は、グループ情報ＤＢ３９に格納されるグループ情報と、学習モデルＤＢ３８に格納される学習モデルとを、機械学習部３６と特徴行動検知・識別部３７とに渡す。

機械学習部３６は、グループ管理部３５から受け取ったグループ情報により、特徴量算出部３３から受け取る学習・検知用特徴量がどのグループのセンサ１によるものかを把握することができるので、同じくグループ管理部３５から受け取った学習モデルの中の当該グループに対応づけられる学習モデルを使って対象物の通常の行動を学習していく。機械学習部３６は、必ずしも、グループ情報に基づき、たとえば特徴量算出部３３から受け取る学習・検知用特徴量がどのグループのセンサ１によるものかを把握するなどの機能を有していなくともよい。たとえば、機械学習部３６は、グループ管理部３５の制御下で、グループ管理部３５から与えられた１つの学習モデルを使ってグループごとに学習を行ってもよい。もちろん、その場合、機械学習部３６に供給される学習・検知用特徴量は、グループ管理部３５により、各グループに属するセンサ１に関するもののみに制御される。機械学習部３６による通常の行動の学習結果は、グループ管理部３５に返却され、学習モデルＤＢ３８内の学習モデルが更新される。学習モデルＤＢ３８内の学習モデルが更新されると、グループ管理部３５は、更新後の学習モデルを所定のタイミングで特徴行動検知・識別部３７に渡す。

特徴行動検知・識別部３７も、機械学習部３６と同様に、グループ管理部３５から受け取ったグループ情報により、特徴量算出部３３から受け取る学習・検知用特徴量がどのグループのセンサ１によるものかを把握することができるので、同じくグループ管理部３５から受け取った学習モデルの中の当該グループに対応づけられる学習モデルを使って対象物の特徴行動（学習モデルで示される通常の行動と異なる行動）を検知する。特徴行動を検知した場合、特徴行動検知・識別部３７は、その特徴行動の行動内容を識別し、検知および認識の結果を発報装置４や情報配信装置５へ通知する。これにより、発報装置４による係員への通知や情報配信装置５による利用者への情報配信が実行される。

このように、特徴行動検知装置３は、センサ１によって検知される対象物の行動からセンサ１のグループ化を自動的に行うという独自の機能を有しているので、設置場所が異なったり、設置条件が異なったりする複数のセンサ１から収集されるデータを混ぜても、機械学習部３６による通常の行動の学習精度を保ち、また、特徴行動検知・識別部３７による特徴行動の検知精度を保つことができる。よって、たとえば、学習データの収集期間を短縮して、特徴行動検知システム１００の導入から運用開始までの期間を早めることができる。その一方で、システム管理者は、センサ１を設置するにあたり、そのセンサ１をどのグループに編入させるのかなどを何ら考慮する必要がない。換言すれば、システム管理者は、センサ１のグループ化に関する情報を、たとえばセンサ情報などとしてセンサ情報ＤＢ２３へ登録する必要がない。

図５は、特徴行動検知装置３におけるセンサ１のグループ化および通常の行動の学習に関する処理の流れを示すフローチャートである。

特徴行動検知装置３は、まず、特徴行動検知システム１００内のすべてのセンサ１を対象としたグループ化である新規グループ化を実行する（ステップＡ１）。この新規グループ化は、グループ管理部３５の制御の下、グループ管理部３５と、データ取得部３１、対象物検知部３２、特徴量算出部３３およびグループ化部３４とが協働することによって実行される。図６に、新規グループ化に関する処理の詳細な流れを示す。

グループ化部３４は、すべてのセンサ１のそれぞれについて、ステップＢ１〜ステップＢ１６の処理を実行する。より詳細には、ステップＢ１において、処理対象のセンサ１が選定され、ステップＢ１６において、未処理のセンサ１の有無が判定され、未処理のセンサ１が残っていれば、ステップＢ１に戻り、すべてのセンサ１が処理済であれば、当該ステップＢ１〜ステップＢ１６のループを抜ける。

ステップＢ１にて処理対象のセンサ１が選定されると、グループ化部３４は、たとえば１日分や１週間分などの一定期間について、ステップＢ２〜ステップＢ１４の処理を実行する。より詳細には、ステップＢ２において、たとえば数秒や数分などの単位で時系列に処理対象の時間帯が選定され、ステップＢ１４において、一定期間の処理を完了したか否かが判定され、未処理の時間帯が残っていれば、ステップＢ２に戻り、一定期間のすべての時間帯が処理済であれば、当該ステップＢ２〜ステップＢ１４のループを抜ける。

ステップＢ２にて処理対象の時間帯が選定されると、グループ化部３４は、ステップＢ１にて選定されたセンサ１によってステップＢ２にて選定された時間帯に取得されたデータの取得をグループ管理部３５経由でデータ取得部３１に要請する（ステップＢ３）。データ取得部３１によって取得されるデータに対しては、それぞれ、ステップＢ４〜ステップＢ１３の処理が実行される。より詳細には、ステップＢ４において、処理対象のデータが選定され、ステップＢ１３において、未処理のデータの有無が判定され、未処理のデータが残っていれば、ステップＢ４に戻り、すべてのデータが処理済であれば、当該ステップＢ４〜ステップＢ１３のループを抜ける。

対象物検知部３２は、ステップＢ４にて処理対象に選定されたデータから対象物を検出する（ステップＢ５）。対象物検知部３２によって検出される対象物（検出物）に対しては、それぞれ、ステップＢ６〜ステップＢ１２の処理が実行される。より詳細には、ステップＢ６において、処理対象の検出物が選定され、ステップＢ１２において、未処理の検出物の有無が判定され、未処理の検出物が残っていれば、ステップＢ６に戻り、すべての検出物が処理済であれば、当該ステップＢ６〜ステップＢ１２のループを抜ける。

特徴量算出部３３の動きベクトル算出部３３２は、ステップＢ６にて処理対象に選定された検出物の動きベクトルを、ステップＢ４にて処理対象に選定されたデータ（およびたとえば１つ前のデータ）を用いて算出する（ステップＢ７）。特徴量算出部３３の正規化部３３３は、動きベクトル算出部３３２によって算出された動きベクトルに対し、たとえばセンサ１間における設置条件の違いなどの影響を排除するための正規化を実行する（ステップＢ８）。正規化部３３３の処理については後述する。

グループ化部３４の行動パターン決定部３４１は、動きベクトル算出部３３２によって算出され、正規化部３３３によって正規化された動きベクトルから、検出物の方向を算出し（ステップＢ９）、また、検出物の速さを算出する（ステップＢ１０）。行動パターン決定部３４１は、算出した検出物の方向および速さを基に、検出物の行動パターンを決定し、その行動パターンの検出数をカウントアップする（ステップＢ１１）。

ステップＢ１にて処理対象に選定されたセンサ１について、ステップＢ１１の行動パターンの検出数のカウントアップを終了すると、グループ化部３４の新規グループ化部３４２は、一定期間内における、行動パターンごとの検出数の時間変化率を算出する（ステップＢ１５）。また、すべてのセンサ１について、ステップＢ１５の行動パターンごとの検出数の時間変化率の算出を終了すると、新規グループ化部３４２は、各センサ１における、行動パターンの検出数の時間変化率と、全行動パターン合計の検出数の推移を基準にグループ化を実行する（ステップＢ１７）。グループ管理部３５は、新規グループ化部３４２によるグループ化の結果と、グループ化基準情報とをグループ情報としてグループ情報ＤＢ３９に保存する（ステップＢ１８）。

図７に、グループ情報ＤＢ３９に保存されるグループ情報の一例を示す。

図７に示すように、グループ情報は、たとえば、グループＩＤフィールドと、センサＩＤフィールドと、学習モデルＩＤフィールドと、グループ化基準情報フィールドとを含むテーブル形式のデータ構造体である。

グループＩＤフィールドには、各グループの識別子が保持される。センサＩＤフィールドには、各グループに属するセンサ１の識別子が保持される。学習モデルＩＤフィールドには、各グループが使用すべき学習モデル（学習モデルＤＢ３８に保持されている学習モデル）の識別子が保持される。グループ化基準情報については後述するが、グループ化基準情報は、各グループのテリトリを示す情報である。

図５に戻って説明を続ける。ステップＡ１の新規グループ化が終了すると、特徴行動検知装置３は、たとえば１ヶ月や３ヶ月などの任意のグループ化サイクルごとに、ステップＡ２〜ステップＡ２９の処理を実行する。このグループ化サイクルは、たとえば季節変化などの経時変化に対応するために定められるものである。つまり、特徴行動検知装置３は、たとえば夏と冬とで人の流れ方や集まり方が異なるといった通常の行動の変化に適応的に対応することができる。

さらに、特徴行動検知装置３は、たとえば１日や１週間などの任意の学習サイクルごとに、ステップＡ３〜ステップＡ２６の処理を実行する。この学習サイクルは、たとえば新たに設置されたセンサ１などに対応するために定められるものである。

より詳細には、グループ管理部３５は、まず、センサデータ管理装置２で管理されているセンサ情報ＤＢ２３の更新有無を調べる（ステップＡ４）。図８に、センサ情報ＤＢ２３に保存されるセンサ情報の一例を示す。

図８に示すように、センサ情報は、たとえば、更新日時フィールドと、センサＩＤフィールドとを含むテーブル形式のデータ構造体である。

更新日時フィールドには、システム管理者によってセンサ情報ＤＢ２３（センサ情報）が更新された日時が保持される。センサＩＤフィールドには、たとえば更新日時の時点において存在するセンサ１の識別子が保持される。センサ情報は、１回目の更新以降、少なくとも２世代保持される。このセンサ情報によって、追加されたセンサ１や削除されたセンサ１を認識することができる。なお、ここでは、たとえば設置条件が変更されたセンサ１については、元の識別子が削除されて新たな識別子が追加されるものとする。

グループ管理部３５は、たとえば、その時点から１学習サイクル前以降の更新日時がセンサ情報ＤＢ２３に保持されていた場合、センサ情報ＤＢ２３が更新されていると判断することができる。センサ情報が１世代のみ存在する場合、そのセンサ情報は、特徴行動検知システム１００の導入時に初期設定として保持されたものである。その場合、特徴行動検知装置３は、センサ情報ＤＢ２３は更新されていると判断する。

センサ情報ＤＢ２３が更新されていた場合（ステップＡ４）、次に、グループ管理部３５は、更新前と更新後との間のセンサ１の増減がしきい値以上か否かを調べる（ステップＡ５）。前述したように、センサ１の増減は、センサ１の総数の差分数ではなく、センサ１の変動数であることが好ましい。センサ１の増減がしきい値以上の場合（ステップＡ５のＹＥＳ）、グループ管理部３５は、既存の全てのグループ情報と全ての学習モデル、つまり、グループ情報ＤＢ３９に格納される全てのグループ情報と、学習モデルＤＢ３８に格納される全ての学習モデルとを削除し（ステップＡ６）、図６を参照して説明した新規グループ化を、新規グループ化部３４２などに改めて実行させる（ステップＡ７）。

一方、センサ１の増減がしきい値未満の場合（ステップＡ５のＮＯ）、グループ管理部３５は、センサ１の数が増加しているか否かを調べる（ステップＡ８）。ここで、センサ１の数が増加しているか否かを調べることは、追加されたセンサ１が存在するか否かを調べることであることが好ましい。追加されたセンサ１が存在する場合（ステップＡ８のＹＥＳ）、グループ管理部３５は、当該追加されたセンサ１に対する処理を追加センサ処理部３４３などに実行させる（ステップＡ９）。ここで、図９を参照して、追加されたセンサ１に対する処理の概要について説明する。

グループ化部３４の新規グループ化部３４２は、新規グループ化の実行時、各グループに属する各センサ１のサンプル点を算出する。また、新規グループ化部３４２は、これらから、各グループの中心点を算出するとともに、各グループ内で最も中心点から離れたサンプル点までの距離を算出する。これらは、グループ化基準情報として、グループ情報ＤＢ３９に保持される（図７参照）。このサンプル点は、たとえば、各センサ１により検知される対象物の通常の行動の傾向を数値化して得た値を２次元や３次元などの空間に投影した場合の位置である。なお、サンプル点を算出する手法、中心点を算出する手法および中心点からサンプル点までの距離を算出する手法は、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。

グループ化部３４の追加センサ処理部３４３も、追加されたセンサ１について、そのサンプル点を算出する。図９中、符号ａ１は、グループ化基準情報として保持されるグループ中心点、符号ａ２は、グループ中心点からの距離が最も大きいサンプル点、をそれぞれ示すものと想定する。また、符号ａ３−１，ａ３−２は、それぞれ、追加センサ処理部３４３によって算出されたサンプル点を示すものと想定する。図９に示すグループ中心点ａ１は、既存のグループのグループ中心点のうち、追加されたセンサ１のサンプル点ａ３−１，ａ３−２から最も近いグループ中心点である。

追加センサ処理部３４３は、グループ中心点ａ１から、グループ中心点からの距離が最も大きいサンプル点ａ２までの距離である距離Ａと、グループ中心点ａ１から、追加されたセンサ１のサンプル点ａ３−１，ａ３−２までの距離である距離Ｂとを比較し、距離Ｂが距離Ａ以下である場合（ａ３−１の位置の場合）、追加されたセンサ１をそのグループに編入する。一方、距離Ｂが距離Ａを超える場合（ａ３−２の位置の場合）、追加センサ処理部３４３は、追加されたセンサ１のみのグループを生成する。つまり、グループ中心点ａ１からサンプル点ａ２までを半径する円形の領域は、グループのテリトリを示す。換言すれば、グループ化基準情報は、グループのテリトリを示す。

このように、特徴行動検知装置３は、センサ１が新設された場合、一定の条件下で、そのセンサ１を既存のグループに編入させることができるので、このセンサ１のための追加の学習を不要にでき、既存の学習モデルを用いた当該センサ１による特徴行動の検知を即時的かつ高精度で行うことが可能である。

図１０は、追加されたセンサに対する処理（図５のステップＡ９）の詳細な流れを示すフローチャートである。この処理は、グループ管理部３５の制御の下、グループ管理部３５と、データ取得部３１、対象物検知部３２、特徴量算出部３３およびグループ化部３４とが協働することによって実行される。

グループ化部３４は、グループ情報ＤＢ３９に保持されているグループ化基準情報をグループ管理部３５経由で取得する（ステップＣ１）。グループ化部３４は、追加されたセンサ１のそれぞれについて、ステップＣ２〜ステップＣ２１の処理を実行する。ステップＣ２〜ステップＣ２１のうちのステップＣ３〜ステップＣ１６は、図６を参照して説明した新規グループ化のステップＢ２〜ステップＢ１５と同様であるので、重複した説明は省略する。

グループ化部３４の追加センサ処理部３４３は、追加されたセンサ１を表すサンプル点が、既存のどのグループの中心点に最も近いかを計算する（ステップＣ１７）。追加センサ処理部３４３は、そのグループ中で中心点からの距離が最も大きい既存のサンプル点より、追加されたセンサ１を表すサンプル点の方が中心点からの距離が近いかどうかを調べる（ステップＣ１８）。近い場合（ステップＣ１８のＹＥＳ）、追加センサ処理部３４３は、その追加されたセンサ１を当該グループに編入する（ステップＣ１９）。一方、遠い場合には（ステップＣ１９のＮＯ）、追加センサ処理部３４３は、その追加されたセンサ１のみのグループを作成する（ステップＣ２０）。

グループ化部３４は、追加されたセンサ１すべてについて、既存のグループへの編入または当該追加されたセンサ１のみのグループの作成を終了すると、新たなグループ化基準情報を保存すべくグループ管理部３５経由でグループ情報ＤＢ３９を更新する（ステップＣ２２）。

図５に戻って説明を続ける。ステップＡ８におけるセンサ１の数が増加しているか否かを調べることは、さらに、削除されたセンサ１が存在するか否かを調べることを含むものであることが好ましい。削除されたセンサ１が存在する場合（ステップＡ８のＮＯ）、グループ管理部３５は、グループ情報ＤＢ３９に保持される当該センサ１の情報を削除する（ステップＡ１０）。ステップＡ９とステップＡ１０とは、必ずしも排他選択的に実行されるものではなく、両方ともが実行され得る。

次に、グループ管理部３５は、学習が実施されていないグループについて、ステップＡ１１からステップＡ２０の処理を実行する。学習が実施されていないグループとは、たとえば、新規グループ化部３４２によってグループ化が実行された場合におけるすべてのグループまたはセンサ１が追加された場合において追加センサ処理部３４３によって作成された当該センサ１のみのグループである。また、後述する、１つのグループが複数のグループに分割された場合における当該複数のグループも該当する。

グループ管理部３５は、各グループについて、そのグループに割り当てられている学習モデルが存在するか否かを調べる（ステップＡ１２）。学習が実施されていないグループであって、割り当てられている学習モデルが存在しないグループとは、たとえば、１つのグループが複数のグループに分割された場合における増加分のグループである。

学習モデルが存在する場合（ステップＡ１２のＹＥＳ）、グループ管理部３５は、その学習モデルを学習モデルＤＢ３８から読み出す（ステップＡ１３）。グループ管理部３５は、読み出した学習モデルを機械学習部３６に供給する。一方、学習モデルが存在しない場合（ステップＡ１２のＮＯ）、グループ管理部３５は、新規の学習モデルを作成し（ステップＡ１４）、機械学習部３６に供給する。

対象物検知部３２は、処理対象のグループに属するセンサ１によって取得されたデータから対象物を検出し（ステップＡ１５）、特徴量算出部３３の学習・検知用特徴量算出部３３１は、検出された対象物の特徴量を算出する（ステップＡ１６）。特徴量算出部３３の正規化部３３３は、その特徴量を距離情報によって正規化する（ステップＡ１７）。図６のステップＢ８（図１０のステップＣ９も同様）における動きベクトルの正規化を含めて、当該正規化部３３３による正規化については後述する。

特徴量算出部３３によって算出される特徴量を受け取る機械学習部３６は、そのグループに割り当てられた学習モデルで機械学習を実施する（ステップＡ１８）。前述したように、ここでは、特徴行動を検知するための通常の行動が学習される。また、機械学習に必要な種々の学習パラメータは、十分に調整されているものとする。機械学習部３６による機械学習によって、その学習モデルは当該グループ用に適合したものとなる。当該グループ用に適合したものとなった学習モデルは、グループ管理部３５経由で学習モデルＤＢ３８に保存される（ステップＡ１９）。

学習が実施されていないグループのそれぞれについて、機械学習を終了すると、グループ管理部３５は、学習終了時の評価値が基準値を満たしていないグループが存在するか否かを調べる（ステップＡ２１）。評価値は、学習方法によって異なり、たとえば、教師あり学習の場合は学習誤差が適用される。なお、機械学習を評価する方法は、既知の様々な手法を採用し得る（ここでは、その手法については問わない）。

基準値を満たしていないグループが存在する場合（ステップＡ２１のＹＥＳ）、グループ管理部３５は、その中に、２以上のセンサ１が含まれるグループが存在するか否かを調べる（ステップＡ２２）。存在する場合（ステップＡ２２のＹＥＳ）、グループ管理部３５は、そのグループに含まれる各センサ１のみのグループを作成すべく、当該グループを分割する（ステップＡ２３〜ステップＡ２５）。そして、グループ管理部３５は、分割した各グループについて、ステップＡ１１からの処理を繰り返す。このグループを分割することによるグループの最適化で、グループ管理部３５は、機械学習部３６による機械学習が上手くいかなかった場合の対応をグループ単位に取るようにしている。

基準値を満たしていないグループが存在しない場合（ステップＡ２１のＮＯ）や、基準値を満たしていないグループは存在するが２以上のセンサ１が含まれるグループは存在しない場合（ステップＡ２２のＮＯ）、グループ管理部３５は、ステップＡ３〜ステップＡ２６のループを抜ける。グループ管理部３５は、前述した季節変化などの経時変化に対応するため、任意のグループ化サイクルごとに、既存の全てのグループ情報と全ての学習モデルとを削除し（ステップＡ２７）、新規グループ化を、新規グループ化部３４２などに改めて実行させる（ステップＡ２８）。

図１１に、特徴行動検知装置３によって行動パターンによるセンサ１のグループ化が実行された特徴行動検知システム１００の状態の一例を示す。

図１１に示すように、特徴行動検知システム１００は、複数のセンサ１がグループ化され、各グループに学習モデルが割り当てられる。各グループにはどのセンサ１が属しているのか、各グループにはどの学習モデルが割り当てられているのか、などはグループ情報ＤＢ３９によって管理される。

次に、図５のステップＡ１７における特徴量の正規化と、図６のステップＢ８（図１０のステップＣ９も同様）における動きベクトルの正規化とについて説明する。

たとえば、設置高や俯角など、センサ１の設置条件によって、たとえば対象物の見かけ上の大きさや速さなどの観測値は変化してしまう。そこで、正規化部３３３は、センサ１の距離情報を用いて、センサ１間における設置条件の違いなどの影響を排除すべく、学習・検知用特徴量算出部３３１によって算出された特徴量や動きベクトル算出部３３２によって算出された動きベクトルを正規化する。ここで、距離情報は、たとえば、センサ１の検知領域の各サンプル点（たとえば、センサ１が監視カメラである場合における画素）におけるセンサ１から検知対象位置までの距離を表す情報である。距離情報は、センサデータ管理装置２のセンサ情報ＤＢ２３に保持され、データ取得部３１経由で取得するものとする。換言すれば、センサ情報ＤＢ２３には、センサ情報として、距離情報を含むセンサ１の設置条件に関する情報が保持されているものとする。なお、距離情報は、必ずしもセンサ情報ＤＢ２３に含まれなくてもよく、別のＤＢに保存されてもよい。

図１２は、正規化部３３３による正規化を含む学習データの収集に関する処理の流れを示すフローチャートである。

特徴行動検知装置３は、学習データの収集対象であるグループごとに、ステップＤ１〜ステップＤ１６の処理を実行する。また、特徴行動検知装置３は、グループ内のセンサ１ごとに、ステップＤ２〜ステップＤ１５の処理を実行する。さらに、特徴行動検知装置３は、一定期間について、ステップＤ３〜ステップＤ１４の処理を実行する。

より詳細には、データ取得部３１は、処理対象のグループ内の処理対象のセンサ１について、そのセンサ１によって取得されたデータを時系列に取得する（ステップＤ４）。また、データ取得部３１は、そのセンサ１の距離情報を取得する（ステップＤ５）。

対象物検知部３２は、取得されたデータのそれぞれから対象物を検出する（ステップＤ７）。また、特徴量算出部３３の学習・検知用特徴量算出部３３１は、検出された対象物のそれぞれについて、任意の特徴量を算出する（ステップＤ９）。

正規化部３３３は、検出物の座標に対する距離情報を、対象のセンサ１の距離情報から抽出し（ステップＤ１０）、特徴量と距離情報とを組み合わせて当該特徴量を正規化する（ステップＤ１１）。この正規化は、たとえば以下の（１）式によって実行することができる。

ここで、ｆ_iは、座標iにおける正規化値、ｘ_iは、座標iにおける特徴量値、Ｓ_maxは、距離情報の最大値、Ｓ_iは、座標iの距離情報値である。

また、図１３は、正規化部３３３による正規化を含む特徴行動の検知に関する処理の流れを示すフローチャートである。

特徴行動検知装置３は、たとえば１分や５分など、任意の検知サイクルごとに、ステップＥ１〜ステップＥ９の処理を実行する。より詳細には、対象物検知部３２は、処理対象のグループに属するセンサ１によって取得されたデータから対象物を検出し（ステップＥ２）、特徴量算出部３３の学習・検知用特徴量算出部３３１は、検出された対象物の特徴量を算出する（ステップＥ３）。また、特徴量算出部３３の正規化部３３３は、その特徴量を距離情報によって正規化する（ステップＥ４）。

特徴量算出部３３によって算出される特徴量を受け取る特徴行動検知・識別部３７は、そのグループに割り当てられた学習モデルで特徴行動を検知する（ステップＥ５）。特徴行動が検知された場合（ステップＥ６のＹＥＳ）、特徴行動検知・識別部３７は、その特徴行動の行動内容を識別し（ステップＥ７）、検知・識別結果を発報装置４や情報配信装置５に送信する（ステップＥ８）。

なお、グループ化のために動きベクトル算出部３３２が算出する動きベクトルに対する正規化部３３３による正規化についても、学習・検知用特徴量算出部３３１が算出する特徴量に対する正規化部３３３による正規化と同様、センサ１の距離情報に基づいて実行されるものであるので、ここでは、その説明については省略する。

このように、特徴行動検知装置３は、センサ１間における設置条件の違いなどの影響を排除することで、機械学習部３６による通常の行動の学習精度を保ち、また、特徴行動検知・識別部３７による特徴行動の検知精度を保つことができる。

図１４は、特徴行動検知装置３によって行動パターンによるセンサ１のグループ化が実行されることで特徴行動検知システム１００に及ぼす効果の一例を改めて説明するための図である。

たとえば、図１４（Ａ）に示すように、センサ１が１台のみ設置されている場合を想定する。この場合、複数のセンサ１のセンサ値が混在することによる特徴行動の検知精度の低下を考慮する必要がないが、特徴行動を検知するための通常の行動を学習するための学習データ（センサ値）の収集期間を長く取る必要があり、特徴行動を検知するシステムの導入から運用開始までのある程度の期間を置かざるを得ない。

また、学習データの収集期間を短縮するために、図１４（Ｂ）に示すように、複数のセンサ１からデータを収集すると、機械学習による通常の行動の学習の精度が低下し、よって、特徴行動の検知精度が低下する。これは、特徴行動を検知するシステムとしては致命的である。

一方、前述したように、特徴行動検知装置３によって行動パターンによるセンサ１のグループ化が実行される本実施形態の特徴行動検知システム１００では、図１４（Ｃ）に示すように、学習データの収集期間を短縮し、かつ、機械学習による通常の行動の学習の精度を維持し、よって、特徴行動の検知精度を維持する。すなわち、本実施形態の特徴行動検知装置３は、学習データの収集期間を短縮し、かつ、特徴行動の検知精度を保つことができる。

上記した実施形態における背景と特徴を大きく分類してまとめると、以下のように記載することが可能である。

着目点1：センサの設置場所によって検知対象の通常の行動が異なるため、検知精度が低下する。たとえば、駅の改札では、「人の流れの方向が一定」、「人が動き続ける」、これに対して、大きな広場では、「人の流れの方向は不定」、「人が動いたり止まったりする」、このような現象が、検知精度の低下を招いている。

そこで、解決策としては、検知対象の「行動」を基準として、各センサを複数のグループに自動的にグループ化し、同じグループ内のセンサは同一の学習モデルで機械学習を行うことができるようにした。

この結果、検知対象の「通常行動」が同じセンサは、同じ学習モデルで特徴行動の検知が可能となった。またセンサが追加されても、そのセンサが既存のグループに編入(既存の学習モデルを適用)できるようになり、このような追加のための新たな学習は不要となった。

着目点２：センサの設置条件(設置高や俯角など)によって、検知対象の観測値(対象の見かけの大きさなど)が変化してしまうため、検知精度が低下する。

そこで、解決策としては、グループ内の各センサで収集された学習データを正規化し、それらの学習データを統一して扱うようにした。即ち、各センサで収集した学習データに対して、「距離情報」、つまりセンサの検知領域の各サンプル点(例:画素)における、センサからの距離を表す情報を用いて正規化処理を施している。

これにより、異なる環境で収集したデータを、グループ内で統一して扱うことができるようになった。

よって、本実施形態は学習データ収集期間を低減しつつ、検知精度を保つことができるものである。

さらに上記した実施形態は、特徴行動検知方法という概念も含むものである。即ち、この方法は、以下のように表現され得る。
（１）複数のセンサのセンサ値を取得する取得部を有する特徴行動検知システムの特徴行動検知方法であって、前記センサ値から検出される対象体の行動パターンに基づき、前記複数のセンサを新規グループ化することを備える特徴行動検知方法。
（２）前記新規グループ化は、第１期間での各行動パターンの検出数の時間変化率と、前記第１期間での全行動パターンの検出数の合計値の推移とに基づき、前記複数のセンサをグループ化する（１）に記載の特徴行動検知方法。
（３）前記対象体の動きの方向および速度に基づき、前記対象体の行動パターンを決定する（１）または（２）に記載の特徴行動検知方法。
（４）前記取得部によってセンサ値が取得されるセンサが追加された場合、既存のグループそれぞれのテリトリを示すグループ化基準情報に基づき、前記追加されたセンサを前記既存のグループのいずれかに編入し、または、前記追加されたセンサのみから構成される新たなグループを生成する（１）乃至（３）のいずれか一つに記載の特徴行動検知方法。
（５）前記取得部によってセンサ値が取得されるセンサの増減がしきい値を越えた場合、前記複数のセンサのグループ化を前記新規グループ化により行う（１）乃至（４）のいずれか一つに記載の特徴行動検知方法。
（６）グループ管理として、各々のグループに属するセンサのセンサ値を用いて実行される前記対象体の特徴行動を検知するための前記対象体の通常行動の機械学習の結果に対する評価値が基準値に満たないグループが存在する場合、そのグループを当該グループに属するセンサそれぞれのみで構成されるグループに分割することによりグループの最適化を実行する（５）に記載の特徴行動検知方法。
（７）グループ管理として、第２期間ごとに、前記複数のセンサのグループ化を前記新規グループ化により行う（５）または（６）に記載の特徴行動検知方法。
（８）前記複数のセンサそれぞれの検知領域のサンプル点における各センサから各検知対象位置までの距離に基づき、前記対象体について算出されるセンサ値を正規化する（１）乃至（７）のいずれか一つに記載の特徴行動検知方法。

また上記した実施形態は、上記（１）乃至（８）を行うためのプログラムまた当該プログラムを記憶した記憶媒体としても特徴を備えるものである。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１…センサ、２…センサデータ管理装置、３…特徴行動検知装置、４…発報装置、５…情報配信装置、２１…データ管理部、２２…センサデータＤＢ、２２Ａ…グループ化用データ、２２Ｂ…学習用データ、２２Ｃ…検知用データ、２３…センサ情報ＤＢ、３１…データ取得部、３２…対象物検知部、３３…特徴量算出部、３４…グループ化部、３５…グループ管理部、３６…機械学習部、３７…特徴行動検知・識別部、３８…学習モデルＤＢ、３９…グループ情報ＤＢ、１００…特徴行動検知システム、３３１…学習・検知用特徴量算出部、３３２…動きベクトル算出部、３３３…正規化部、３４１…行動パターン決定部、３４２…新規グループ化部、３４３…追加センサ処理部、３４４…行動パターンＤＢ。

Claims (8)

1. 複数のセンサのセンサ値を取得する取得部と、
   前記センサ値から検出される対象体の行動パターンに基づき、前記複数のセンサをグループ化する新規グループ化部と、
   を具備する特徴行動検知装置。
2. 前記新規グループ化部は、第１期間での各行動パターンの検出数の時間変化率と、前記第１期間での全行動パターンの検出数の合計値の推移とに基づき、前記複数のセンサをグループ化する請求項１に記載の特徴行動検知装置。
3. 前記対象体の動きの方向および速度に基づき、前記対象体の行動パターンを決定する行動パターン決定部を具備する請求項１または２に記載の特徴行動検知装置。
4. 前記取得部によってセンサ値が取得されるセンサが追加された場合、既存のグループそれぞれのテリトリを示すグループ化基準情報に基づき、前記追加されたセンサを前記既存のグループのいずれかに編入し、または、前記追加されたセンサのみから構成される新たなグループを生成する追加センサ処理部を具備する請求項１乃至３のいずれか１項に記載の特徴行動検知装置。
5. 前記取得部によってセンサ値が取得されるセンサの増減がしきい値を越えた場合、前記複数のセンサのグループ化を前記新規グループ化部に実行させるグループ管理部を具備する請求項１乃至４のいずれか１項に記載の特徴行動検知装置。
6. 前記グループ管理部は、各々のグループに属するセンサのセンサ値を用いて実行される前記対象体の特徴行動を検知するための前記対象体の通常行動の機械学習の結果に対する評価値が基準値に満たないグループが存在する場合、そのグループを当該グループに属するセンサそれぞれのみで構成されるグループに分割することによるグループの最適化を実行する請求項５に記載の特徴行動検知装置。
7. 前記グループ管理部は、第２期間ごとに、前記複数のセンサのグループ化を前記新規グループ化部に実行させる請求項５または６に記載の特徴行動検知装置。
8. 前記複数のセンサそれぞれの検知領域のサンプル点における各センサから各検知対象位置までの距離に基づき、前記対象体について算出される値を正規化する正規化部を具備する請求項１乃至７のいずれか１項に記載の特徴行動検知装置。

Images