JP4822280B2 - 移動体行動解析装置 - Google Patents

Description

本発明は、複数の移動体に関する位置時系列データを移動体ごとに検出し、その位置時系列データに基づいて、移動体の異常行動と移動体行動パターンを検出する移動体行動解析装置に関するものである。

従来の移動体、例えば、人物、車両の行動解析装置では、正確な位置情報入力が得られるものとして、移動体の行動パターンを識別している。特許文献１に記載の移動体行動解析装置では、操作者が、通常行動パターンと、それと異なる異常行動パターンを予め区別して登録し、その登録に基づいて移動体の行動が異常であるか否かを識別している。

特許文献２に記載の移動体行動解析装置では、認証装置などのＩＤの履歴情報に基づいて、移動体の異常行動、および、移動体行動パターンを検出している。

特開２００４−３２８６２２号公報 特開２００６−６５５７２号公報

しかしながら、従来の移動体行動解析装置では、異常行動を検出するための移動体行動パターンを予め登録する必要があるため、異常行動の検出精度が、過去の学習データや操作者の技能に依存し、安定しないという問題点があった。また、方向、速度などの単純な指標からなる移動体行動データを用いるため、広いエリアにおける移動体の異常行動、および、複雑な移動体行動パターンの検出が困難であるという問題点があった。

また、ＩＤの履歴情報に基づいた移動体行動解析装置では、不特定多数の移動体を評価することが困難であるという問題点があった。また、リアルタイムに得られた移動体の行動データから、行動パターン検出、および、異常行動検出を行う際に演算量が大きくなるという問題点があった。

本発明は、上記のような問題点を解決するためになされたものであり、異常行動を判定するための移動体行動パターンを予め登録することなく、少ない演算量で高精度に、移動体の異常行動と移動体行動パターンを検出することを目的とする。

本発明に係る請求項１に係る移動体行動解析装置は、複数の移動体について前記移動体ごとに位置時系列データを検出する移動体位置時系列データ検出装置と、前記移動体位置時系列データ検出装置で検出された前記位置時系列データを予め格納する移動体位置時系列データ蓄積装置と、移動体異常行動検出手段と、移動体行動特徴データ検出手段と、移動体行動パターン検出手段とを備える。前記移動体異常行動検出手段は、前記移動体ごとに前記位置時系列データを所定の時系列データ統計的分析手法によりモデル化し、一の前記移動体に対応する前記モデルと、他の複数の前記移動体に対応する前記モデルそれぞれとの間の所定の類似度を、予め定められた基準に照合することにより、前記一の移動体の行動が異常であるか否かを判定する。前記移動体行動特徴データ検出手段は、前記モデル間の前記所定の類似度を変換して得られる多次元ベクトルを前記移動体の所定の行動特徴データとして検出する。前記移動体行動パターン検出手段は、前記移動体行動特徴データ検出手段から検出された前記所定の行動特徴データをクラスタリングし、当該クラスタそれぞれの前記所定の行動特徴データに対応する移動体行動パターンを検出し、それに対応する前記モデルを検出する。

本発明に係る請求項７に係る移動体行動解析装置は、複数の移動体について前記移動体ごとに位置時系列データを検出する移動体位置時系列データ検出装置と、前記複数の移動体の属性を前記移動体ごとに検出する移動体属性検出装置と、前記移動体位置時系列データ検出装置で検出された前記位置時系列データを前記移動体属性検出装置で検出された前記属性ごとに予め格納する移動体位置時系列データ蓄積装置と、移動体異常行動検出手段と、移動体行動特徴データ検出手段と、移動体行動パターン検出手段とを備える。前記移動体異常行動検出手段は、一の前記属性の前記移動体ごとに前記位置時系列データを所定の時系列データ統計的分析手法によりモデル化し、一の前記移動体に対応する前記モデルと、他の複数の前記移動体に対応する前記モデルそれぞれとの間の所定の類似度を、予め定められた基準に照合することにより、前記一の属性の前記一の移動体の行動が異常であるか否かを判定する。前記移動体行動特徴データ検出手段は、前記モデル間の前記所定の類似度を変換して得られる多次元ベクトルを前記一の属性の前記移動体の所定の行動特徴データとして検出する。前記移動体行動パターン検出手段は、前記移動体行動特徴データ検出手段から検出された前記所定の行動特徴データをクラスタリングし、当該クラスタそれぞれの前記所定の行動特徴データに対応する移動体行動パターンを検出し、それに対応する前記モデルを検出する。

本発明の移動体行動解析装置によれば、異常行動を判定するための移動体行動パターンを予め登録することなく、少ない演算量で高精度に、移動体の異常行動と移動体行動パターンを検出することができる。

＜実施の形態１＞
図１は、本実施の形態に係る移動体行動解析装置を示すブロック図である。図１に示すように、本実施の形態に係る移動体行動解析装置は、移動体位置時系列データ検出装置１と、移動体位置時系列データ蓄積装置３１と、移動体異常行動検出手段３２と、移動体行動特徴データ検出手段３３と、移動体行動パターン検出手段３４と、移動体異常行動再検出手段３５と、移動体行動パターン蓄積装置３６と、現在移動体異常行動検出手段３７と、現在移動体行動パターン検出手段３８と、表示装置３９と、移動体行動パターン更新手段４０とを備える。

移動体位置時系列データ検出装置１は、複数の移動体について移動体ごとに位置時系列データを検出する。本実施の形態では、移動体位置時系列データ検出装置１は、ｎ個の移動体位置時系列データ検出装置１−１〜１−ｎからなる。移動体位置時系列データ検出装置１−１〜１−ｎそれぞれは、例えば、異なる場所に設置され、複数の移動体の移動を連続的に検出する。

この移動体位置時系列データ検出装置１には、対象空間内の人物の位置時系列データを検出する場合には、例えば、カメラ、ＧＰＳ、ＲＦＩＤ、レーザレーダが用いられ、対象空間内の車両の位置時系列データを検出する場合には、例えば、ＧＰＳ、通過センサ、カメラが用いられる。なお、ｎ個の移動体位置時系列データ検出装置１（１−１〜１−ｎ）は、同一種類のセンサで構成する必要はなく、複数種類のセンサで構成してもよい。

移動体位置時系列データ検出装置１で検出される位置時系列データを図２に示す。このように、位置時系列データは、例えば、移動体ごとに検出される位置の時系列データである。ここで、ＩＤは予め登録されたものではなく、移動体位置時系列データ検出装置１が位置時系列データに対して便宜的に付与するものにすぎない。移動体位置時系列データ蓄積装置３１は、移動体位置時系列データ検出装置１で検出された位置時系列データを予め格納する。

移動体異常行動検出手段３２は、移動体ごとに位置時系列データを所定の時系列データ統計的分析手法によりモデル化する。本実施の形態では、所定の時系列データ統計的分析手法は、隠れマルコフモデルである。また、モデル化される位置時系列データは、移動体位置時系列データ蓄積装置３１に予め格納された位置時系列データである。

隠れマルコフモデルでは、移動体ごとの位置時系列データに基づいて、対象空間内の移動体の位置と移動体の状態とを対応づける。その対応づけにより、ここでは、例えば、各状態間の遷移確率と各状態遷移時における速度、方向、位置の観測確率が得られるものとする。

移動体の位置と移動体の状態とを対応させた隠れマルコフモデルの例を図３に示す。この図において、番号は移動体の状態を表しており、番号そのものは割り当て番号に過ぎない。また、矢印は、各状態における遷移の方向を示す。

本実施の形態では、移動体異常行動検出手段３２は、移動体位置時系列データ検出装置１で検出された移動体ごとの位置時系列データすべてを、隠れマルコフモデルによってモデル化する。なお、隠れマルコフモデルについては、例えば、非特許文献１に記述のように周知である（非特許文献１：「確率的言語モデル」北研二、東京大学出版会（１９９９））。

複数の移動体のうち、ｉ番目の一の移動体に対応するモデルである隠れマルコフモデルをλ_0iとし、全ての移動体に対応するモデルである隠れマルコフモデルをλ_allとする。このとき、一の移動体ｉに対応する隠れマルコフモデルをλ_0iとし、以下の式（１）を用いてλ_iに補正する。

ここで、αは０以上１以下の係数である。以下で説明する隠れマルコフモデルは、式（１）で補正した隠れマルコフモデルλ_iを指すものとする。

移動体異常行動検出手段３２は、一の移動体に対応する隠れマルコフモデルと、他の複数の移動体に対応する隠れマルコフモデルそれぞれとの間の所定の類似度を、予め定められた基準に照合することにより、一の移動体の行動が異常であるか否かを判定する。本実施の形態では、所定の類似度は、一の移動体ｉに対応する隠れマルコフモデルλ_iと、他の複数の移動体ｊ（≠ｉ）に対応する隠れマルコフモデルλ_jとの間の確率的距離である。そして、移動体異常行動検出手段３２は、その確率的距離の最小値が予め定められた所定の閾値以上である場合に、一の移動体ｉの行動が異常であると判定する。確率的距離をＤ（λ_i，λ_j）とすると、式（２）および式（３）のように示される。

ここで、Ｏ_iは一の移動体ｉの位置時系列データの観測データ、Ｔ_iは観測データＯ_iのデータ長を表し、Ｌ（Ｏ_i｜λ_i）は観測データＯ_iの隠れマルコフモデルに対する尤度、つまり、もっともらしさを表す。なお、隠れマルコフモデル間の確率的距離Ｄ（λ_i，λ_j）については、例えば、非特許文献２に記述のように周知である（非特許文献２：B.H.Juang,L.R.Rabiner,"A probabilistic distance measure for hidden Markov models," AT&T Technichal Journal, Vol.64, No.2, pp.391-408,Feb.1985.）。

図４に、移動体の通常行動に対応する隠れマルコフモデルを細い実線で示し、移動体の異常行動に対応する隠れマルコフモデルを太い点線で示す。細い実線の隠れマルコフモデル同士、つまり、類似する隠れマルコフモデルの間では、確率的距離Ｄ（λ_i，λ_j）の値は小さくなる。その一方で、細い実線の隠れマルコフモデルと太い点線の隠れマルコフモデル、つまり、類似しない隠れマルコフモデルの間では、確率的距離Ｄ（λ_i，λ_j）の値は大きくなる。

図１の移動体異常行動検出手段３２は、一の移動体ｉの隠れマルコフモデルと、一の移動体ｉを除く複数の移動体ｊ（≠ｉ）の隠れマルコフモデルそれぞれとの間の確率的距離Ｄ（λ_i，λ_j）を算出する。そして、移動体異常行動検出手段３２は、その確率的距離Ｄ（λ_i，λ_j）の最小値が予め定められた所定の閾値以上である場合に、一の移動体ｉの行動が異常であると判定する。

なお、本実施の形態では、移動体異常行動検出手段３２は、予め定められた所定の閾値を用いて、移動体の行動を異常と判定した。しかし、これに限ったものではなく、確率的距離Ｄ（λ_i，λ_j）の小さいほうから一定数、または、一定割合を、移動体の行動を異常と判定してもよい。また、確率的距離Ｄ（λ_i，λ_j）の最小値が予め定められた所定の閾値以上となる場合に、移動体の行動を異常と判定した。しかし、これに限ったものではなく、確率的距離Ｄ（λ_i，λ_j）の小さいほうから一定数、または、一定割合の平均値などの代表値が予め設定された所定の閾値以上であることを用いて、移動体の行動を異常と判定してもよい。

移動体行動特徴データ検出手段３３は、所定の類似度である確率的距離Ｄ（λ_i，λ_j）に基づいて、移動体の所定の行動特徴データを検出する。本実施の形態では、ヤング・ハウスホルダー変換を確率的距離Ｄ（λ_i，λ_j）に用いて、移動体の行動特徴データを検出する。この検出について、以下、説明する。

まず、確率的距離Ｄ（λ_i，λ_j）の二乗値をｉ行ｊ列の要素とするＮ×Ｎ行列をＲとする。式（４）により、行列Ｒを行列Ｂに変換する。

ここで、行列Ｊは、Ｊ＝Ｉ_N・１_N・１^t _N／Ｎである中心化行列であり、Ｉ_Nは単位行列、１_Nは成分全て１であるＮ次元ベクトルである。

次に、行列Ｂを固有値分解し、固有値と固有ベクトルを求める。本実施の形態では、Ｍ個の固有値ｄ₁，ｄ₂，…ｄ_M（ここで、ｄ₁≧ｄ₂≧…≧ｄ_M≧０）が得られたものとする。そして、それら固有値それぞれに対応する固有ベクトルをＶ₁＝{ｖ₁₁，ｖ₁₂，…，ｖ_1N}^t、Ｖ₂＝{ｖ₂₁，ｖ₂₂，…，Ｖ_2N}^t，…，Ｖ_M＝{ｖ_M1，ｖ_M2，…，Ｖ_MN}^tとする。このとき、移動体ｉの行動特徴データをＳ_iと表すと、行動特徴データは以下の式（５）で表される。

式から分かるように、行動特徴データＳ_iはＭ次元ベクトルとなる。なお、ヤング・ハウスホルダー変換の詳細は、例えば、非特許文献３に記述のように周知である（非特許文献３：G.Young,A.Householder,"Discussion of a set of points in terms of their mutual distances,"Psychometrika,Vol.3,pp.19-22,1938.）。

移動体行動パターン検出手段３４は、移動体行動特徴データ検出手段３３から検出された行動特徴データに基づいて、１つ以上の平均的な移動体行動パターンに対応する隠れマルコフモデルを構築する。

本実施の形態では、移動体行動パターン検出手段３４は、移動体ｉの行動特徴データＳ_iをクラスタリングし、そのクラスタそれぞれに対応する移動体行動パターンを検出する。ここでは、移動体ｉの行動特徴データＳ_iをＭ次元空間においてクラスタリングするk-meansクラスタリングを用いる。

図５を用いて、移動体行動パターン検出手段３４が、クラスタそれぞれに対応する移動体行動パターンを検出する動作を説明する。図５には、クラスタ５３と、クラスタに対応するクラスタ中心５１と、行動特徴データ５２が示されている。行動特徴データ５２はＭ次元空間であるが、図５では簡易的に２次元空間で示されている。

まず、k-meansクラスタリングにおけるクラスタ５３の数（以下、クラスタ数）を決定する。このクラスタ数は、所定の範囲の値にあるＫに対して、式（６）の指標Ａ（Ｋ）を最大にするＫに決定される。

ここで、ｖａｒ⁺（Ｃ_k）はクラスタｋ内のデータ間の距離の分散、ｖａｒ^-（Ｃ_k）はクラスタｋ内データとクラスタｋ以外のデータ間の距離の分散を示す。このとき、クラスタ数Ｋは、Ａ（Ｋ）の評価値に基づくものに限ったものではなく、後述する別の値を用いてもよい。

図５は、上記の値Ｋ、つまり、クラスタ数が「３」である場合が示されている。そして、図５（ａ）には、クラスタ数に対応して「３」個のクラスタ中心５１が示されている。次に、クラスタ中心５１の初期値を選ぶ。クラスタ中心５１に初期値を選ぶ方法としては、例えば、クラスタ中心５１と行動特徴データ５２との間のユークリッド距離が一定値以下となる値を選ぶ。この手順を「手順１」とする。

次に、各行動特徴データ５２と、クラスタ中心５１それぞれのユークリッド距離を演算し、各行動特徴データ５２は、複数のクラスタ中心５１のうち、最もユークリッド距離が小さいクラスタ中心５１のクラスタ５３に属するものとする。この手順を「手順２」とする。図５（ｂ）は、行動特徴データ５２が、いずれのクラスタ５３に属するかを示したものである。

そして、図５（ｃ）に示すように、クラスタ５３それぞれに属する行動特徴データ５２の重心を演算し、クラスタ中心５１の位置をその重心の位置に変更する。具体的には、式（７）の指標Ｆが最小となるｚ_kに、クラスタ中心５１の位置を変更する。この手順を「手順３」とする。

ここで、Ｃ_kはクラスタ５３の範囲を示す。以上の「手順２」と「手順３」を収束するまで繰り返す。そして、収束したクラスタ中心５１と対応する隠れマルコフモデルを構築する。

以上のように、移動体行動パターン検出手段３４は、移動体行動特徴データ検出手段３３から検出された行動特徴データ５２をクラスタリングし、そのクラスタ５３それぞれに対応する移動体行動パターンを検出する。そして、移動体行動パターン検出手段３４は、その移動体行動パターンに対応する隠れマルコフモデルを構築する。

図６の場合には、２つの平均的な移動体行動パターンに対応する隠れマルコフモデル、つまり、状態が「１→４→７→８→９→６→３」に遷移する隠れマルコフモデルと、状態が「２→５→６→３」に遷移する隠れマルコフモデルが得られる。

移動体異常行動再検出手段３５は、移動体行動パターン検出手段３４で検出された隠れマルコフモデルと、複数の移動体の位置時系列データそれぞれとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、移動体の行動が異常であると判定する。

ここで、所定の適合度には、例えば、移動体行動パターンに対応する隠れマルコフモデルに対する移動体の位置時系列データの尤度、つまり、もっともらしさを用いる。隠れマルコフモデルに対する尤度は、前向き確率、または、Viterbiアルゴリズムの生成する経路の発生確率により求める。なお、前向き確率、および、Viterbiアルゴリズムについては、例えば、上述した非特許文献１に記述のように周知である。

本実施の形態において、移動体異常行動再検出手段３５は、移動体異常行動検出手段３２で行動が異常であると判定された移動体以外の全ての移動体の位置時系列データそれぞれについて所定の適合度をそれぞれ演算する。そして、移動体異常行動再検出手段３５は、その所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、移動体の行動が異常であると判定する。また、移動体異常行動再検出手段３５は、上述の動作に加えて、所定の適合度が予め設定された所定の閾値以下にあった位置時系列データを省いて、移動体行動パターンに対応する隠れマルコフモデルを再構成する。

移動体行動パターン蓄積装置３６は、移動体行動パターン検出手段３４で検出された隠れマルコフモデルを予め格納する。本実施の形態では、移動体異常行動再検出手段３５で再構成された隠れマルコフモデルも予め格納する。

現在移動体異常行動検出手段３７は、移動体行動パターン蓄積装置３６に予め格納された隠れマルコフモデルそれぞれと、一の移動体の位置時系列データそれぞれとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、一の移動体の行動が異常であると判定する。本実施の形態では、一の移動体の位置時系列データは、移動体位置時系列データ検出装置１で検出する位置時系列データを用いる。

ここで、所定の適合度は、例えば、移動体行動パターンに対応する隠れマルコフモデルに対する移動体の位置時系列データの尤度を用いる。隠れマルコフモデルに対する尤度は、上述した前向き確率、または、Viterbiアルゴリズムの生成する経路の発生確率により求める。

現在移動体行動パターン検出手段３８は、移動体行動パターン蓄積装置３６に予め格納された隠れマルコフモデルそれぞれと、一の移動体の位置時系列データとから算出される所定の適合度に応じて、尤度が最大となる一の移動体の移動体行動パターンを検出する。本実施の形態では、一の移動体の位置時系列データは、移動体位置時系列データ検出装置１で検出する位置時系列データを用いる。

ここで、所定の適合度は、例えば、移動体行動パターンに対応する隠れマルコフモデルに対する移動体の位置時系列データの尤度を用いる。隠れマルコフモデルに対する尤度は、上述した前向き確率、または、Viterbiアルゴリズムの生成する経路の発生確率により求める。

なお、現在移動体異常行動検出手段３７で行動が異常であると判定された移動体の位置時系列データに対しては、現在移動体行動パターン検出手段３８は、以上の検出を行わないようにしても構わない。

表示装置３９は、移動体異常行動検出手段３２が検出した過去の移動体の異常行動、および、移動体行動パターン検出手段３４が検出した過去の移動体行動パターンをディスプレイにおいて表示する。また、移動体異常行動再検出手段３５が検出した過去の移動体の異常行動、および、移動体行動パターンをディスプレイにおいて表示する。

また、表示装置３９は、現在移動体異常行動検出手段３７が検出する現在の移動体の異常行動、および、現在移動体行動パターン検出手段３８が検出する現在の移動体行動パターンをディスプレイにおいて表示する。

本実施の形態では、表示装置３９は、以上のそれぞれの表示に対し、人物映像、顔映像、移動体の位置時系列データをディスプレイにおいて表示するものとする。なお、移動体異常行動検出手段３２が過去の移動体の異常行動を検出したとき、または、現在移動体異常行動検出手段３７が現在の移動体の異常行動を検出するときにアラーム表示を行ってもよい。

移動体行動パターン更新手段４０は、移動体行動パターン蓄積装置３６に予め格納された移動体行動パターンの隠れマルコフモデルを更新する。

例えば、移動体行動パターン更新手段４０は、移動体位置時系列データ検出装置１から検出された位置時系列データと、移動体位置時系列データ蓄積装置３１に予め格納された位置時系列データとを合わせる。そして、移動体行動パターン更新手段４０は、その位置時系列データに基づいて、移動体異常行動検出手段３２と、移動体行動特徴データ検出手段３３と、移動体行動パターン検出手段３４と同様の動作を行うことにより、移動体行動パターンに対応する隠れマルコフモデルを構築する。そして、移動体行動パターン更新手段４０は、その隠れマルコフモデルにより移動体行動パターン蓄積装置３６を更新する。

あるいは、現在移動体行動パターン検出手段３８で得られた移動体行動パターンについて、その移動体行動パターンに対応する隠れマルコフモデルのみにより更新してもよい。

以上のように構成された移動体行動解析装置は、異常行動を判定するための移動体行動パターンを予め登録することなく、移動体の位置時系列データに基づいて、移動体の異常行動と移動体行動パターンを高精度に検出することができる。そして、移動体行動解析装置は、移動体に対して予めＩＤを登録することなく、上記の検出が可能である。そのため、商業施設、公共施設、空港、駅、ＡＴＭコーナー、駐車場、オフィスビル、エレベータなど、あらゆる場所のあらゆる不特定多数の人物に対して、不審な行動を行っている人物を検出するセキュリティ機能や、人物行動パターン分類を行うマーケティング分析機能を有することができる。

また、移動体異常行動再検出手段３５を設けたことにより、移動体異常行動検出手段３２で検出できなかった移動体の異常行動をさらに検出することができる。これにより、異常行動の検出を漏れなく行うことができる。

また、移動体行動パターン蓄積装置３６と現在移動体異常行動検出手段３７を設けたことにより、移動体位置時系列データ検出装置１で新たに検出された移動体に対して、異常行動を少ない演算量で検出することができる。

また、移動体行動パターン蓄積装置３６と現在移動体行動パターン検出手段３８を設けたことにより、移動体位置時系列データ検出装置１で新たに検出された移動体に対して、移動体行動パターンを少ない演算量で検出することができる。

また、移動体行動パターン更新手段４０を設けたことにより、新しい行動パターンを用いて検出可能となるため信頼性を高めることができるともに、移動体行動パターン蓄積装置３６で格納する容量を減らすことができる。

なお、本実施の形態では、移動体位置時系列データ検出装置１は、移動体の具体的な位置を検出するものであったが、これに限ったものではなく、通過センサ、認証機能付きゲートなどの特定場所の通過を検出するセンサであってもよい。また、移動体の位置だけでなく、カメラなどを用いて手の動き、足の動き、頭の動き、顔の向きなどの移動体の行動データそのものを検出する装置であってもよい。

また、移動体異常行動検出手段３２は、対象空間内の移動体の位置と移動体の状態とを対応させて隠れマルコフモデルを作成するとしたが、隠された状態系列を用いてもよい。また、移動体の行動に対応した隠れマルコフモデルを作成するときに、速度、方向、位置が観測確率として得られるとしたが、カメラ画像中の移動体オブジェクトの大きさ、色ヒストグラム、形状を特徴量として加えてもよい。

また、移動体異常行動検出手段３２は、所定の類似度として隠れマルコフモデル同士の確率的距離を用いたが、それに限ったものではなく、物理的な距離指標を用いてもよい。

また、移動体行動特徴データ検出手段３３は、ヤング・ハウスホルダー変換を用いて移動体の行動特徴データを得た。しかし、これに限ったものではなく、例えば、最小二乗法や、Spectral Clustering、操作者によって予め登録された変換方法を用いて移動体の行動特徴データ３３を得てもよい。

なお、Spectral Clusteringの詳細は非特許文献４のように周知である（非特許文献４：A.Y.Ng,M.I.Jordan,and Y. Weiss."On spectral clustering: Analysis and an algorithm,"Proc.Neural Info.Processing Systems(NIPS 2001),pp849-856,2001）。

また、移動体行動パターン検出手段３４のk-meansクラスタリングにおいて、クラスタ数、および、クラスタ中心５１の初期値は、例えば、ファジィクラスタリング、最大距離アルゴリズムなどの別のクラスタリング手法によって求めてもよく、あるいは、操作者によって予め設定された値であってもよい。また、操作者が、行動パターンそのものを予め定義しておいてもよい。

また、移動体異常行動検出手段３２および移動体異常行動再検出手段３５それぞれにおいて、移動体の異常行動を検出するものとしたが、いずれか一方のみで検出するものであってもよい。

＜実施の形態２＞
図７は、本実施の形態に係る移動体行動解析装置を示すブロック図である。図７に示すように、本実施の形態に係る移動体行動解析装置は、移動体位置時系列データ検出装置１と、移動体属性検出装置２と、移動体位置時系列データ蓄積装置３１と、移動体異常行動検出手段３２と、移動体行動特徴データ検出手段３３と、移動体行動パターン検出手段３４と、移動体異常行動再検出手段３５と、移動体行動パターン蓄積装置３６と、現在移動体異常行動検出手段３７と、現在移動体行動パターン検出手段３８と、表示装置３９と、移動体行動パターン更新手段４０とを備える。

移動体位置時系列データ検出装置１は、複数の移動体について移動体ごとに位置時系列データを検出する。本実施の形態では、移動体位置時系列データ検出装置１は、ｎ個の移動体位置時系列データ検出装置１−１〜１−ｎからなる。

移動体属性検出装置２は、複数の移動体の属性を移動体ごとに検出する。本実施の形態では、移動体属性検出装置２は、ｍ個の移動体属性検出装置２−１〜２−ｍからなる。移動体属性検出装置２で検出される属性は、移動体が人物であれば、例えば、個人ＩＤ、性別、年齢、所属会社、所属部署、役職、住所、居室場所、居室階床、ある建物の住民か否かを示す属性、ある店舗の店員か否かを示す属性が該当する。移動体属性検出装置２で検出される属性は、移動体が車両であれば、例えば、車両ＩＤ、車両属性（自家用車、トラックなど）、運転手ＩＤ、性別、年齢、所属などの運転者属性が該当する。

移動体位置時系列データ蓄積装置３１は、移動体位置時系列データ検出装置１で検出された位置時系列データと、移動体属性検出装置２で検出された属性とのマッチングを行い、位置時系列データを属性ごとに予め格納する。

移動体異常行動検出手段３２は、一の属性の移動体ごとに位置時系列データを所定の時系列統計的分析手法によりモデル化する。本実施の形態においても、所定の時系列データ統計的分析手法は、隠れマルコフモデルである。

そして、移動体異常行動検出手段３２は、一の移動体に対応する隠れマルコフモデルと、他の複数の移動体に対応する隠れマルコフモデルそれぞれとの間の所定の類似度を、予め定められた基準に照合することにより、一の属性の一の移動体の行動が異常であるか否かを判定する。本実施の形態においても、所定の類似度は、一の移動体に対応する隠れマルコフモデルと、他の複数の移動体に対応する隠れマルコフモデルとの間の確率的距離である。また、移動体異常行動検出手段３２は、その確率的距離の最小値が予め定められた所定の閾値以上である場合に、一の属性の一の移動体の行動が異常であると判定する。

移動体行動特徴データ検出手段３３は、所定の類似度である確率的距離に基づいて、一の属性の移動体の所定の行動特徴データを検出する。

移動体行動パターン検出手段３４は、移動体行動特徴データ検出手段３３から検出された所定の行動特徴データを用いて、１つ以上の平均的な移動体行動パターンに対応する隠れマルコフモデルを構築する。本実施の形態においても、移動体行動パターン検出手段３４は、移動体の所定の行動特徴データをクラスタリングし、そのクラスタそれぞれに対応する移動体行動パターンを検出する。

移動体異常行動再検出手段３５は、移動体行動パターン検出手段３４で検出された隠れマルコフモデルと、一の属性の複数の移動体の位置時系列データそれぞれとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、一の属性の移動体の行動が異常であると判定する。本実施の形態では、移動体異常行動再検出手段３５は、上述の動作に加えて、所定の適合度が予め設定された所定の閾値以下にあった位置時系列データを省いて、移動体行動パターンに対応する隠れマルコフモデルを再構成する。

移動体行動パターン蓄積装置３６は、移動体行動パターン検出手段３４で検出された隠れマルコフモデルを予め格納する。本実施の形態では、移動体異常行動再検出手段３５で再構成された隠れマルコフモデルも予め格納する。

現在移動体異常行動検出手段３７は、移動体行動パターン蓄積装置３６に予め格納された隠れマルコフモデルそれぞれと、一の属性の一の移動体の位置時系列データとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、一の属性の一の移動体の行動が異常であると判定する。本実施の形態では、一の移動体の位置時系列データは、移動体位置時系列データ検出装置１で検出する位置時系列データを用いる。

一の属性の移動体の移動体行動パターンに対応する隠れマルコフモデルが、移動体行動パターン蓄積装置３６に格納されていない場合には、現時移動体異常行動検出手段３７は、全体または属性なしの移動体行動パターンに対する適合度を用いる。

現在移動体行動パターン検出手段３８は、移動体行動パターン蓄積装置３６に予め格納された隠れマルコフモデルそれぞれと、一の属性の一の移動体の位置時系列データとから算出される所定の適合度に応じて、一の属性の一の移動体の移動体行動パターンを検出する。本実施の形態では、一の移動体の位置時系列データは、移動体位置時系列データ検出装置１で検出する位置時系列データを用いる。

一の属性の移動体の移動体行動パターンに対応する隠れマルコフモデルが、移動体行動パターン蓄積装置３６に格納されていない場合には、現時移動体行動パターン検出手段３８は、全体または属性なしの移動体行動パターンに対する適合度を用いる。

なお、現在移動体異常行動検出手段３７で行動が異常であると判定された移動体の位置時系列データに対しては、現在移動体行動パターン検出手段３８は、以上の検出を行わないようにしてもよい。

表示装置３９は、移動体異常行動検出手段３２が検出した過去の移動体の異常行動、および、移動体行動パターン検出手段３４が検出した過去の移動体行動パターンをディスプレイにおいて表示する。また、移動体異常行動再検出手段３５が検出した過去の移動体の異常行動、および、移動体行動パターンをディスプレイにおいて表示する。

また、表示装置３９は、現在移動体異常行動検出手段３７が検出する現在の移動体の異常行動、および、現在移動体行動パターン検出手段３８が検出する現在の移動体行動パターンをディスプレイにおいて表示する。

本実施の形態では、表示装置３９は、以上のそれぞれの表示に対し、人物映像、顔映像、移動体の位置時系列データをディスプレイにおいて表示するものとする。なお、移動体異常行動検出手段３２が過去の移動体の異常行動を検出したとき、または、現在移動体異常行動検出手段３７が現在の移動体の異常行動を検出するときにアラーム表示を行ってもよい。

移動体行動パターン更新手段４０は、移動体行動パターン蓄積装置３６に予め格納された移動体行動パターンの隠れマルコフモデルを更新する。一の属性の移動体の移動体行動パターンに対応する隠れマルコフモデルが、移動体行動パターン蓄積装置３６に格納されていない場合には、移動体行動パターン更新手段４０は、全体および属性なしの移動体行動パターンを更新する。

以上のように構成された移動体行動解析装置は、異常行動を判定するための移動体行動パターンを予め登録することなく、移動体の位置時系列データに基づいて、移動体の異常行動と移動体行動パターンを高精度に検出することができる。また、移動体属性検出手段２を設けたことにより、各人物、各人物の所属するグループ、各車両、各運転手など、行動パターンの傾向が類似する属性ごとに異常行動検出、移動体行動パターン検出をすることができる。そのため、検出する速度を速くすることができる。

また、移動体異常行動再検出手段３５を設けたことにより、移動体異常行動検出手段３２で検出できなかった移動体の異常行動をさらに検出することができる。これにより、異常行動の検出を漏れなく行うことができる。

また、移動体行動パターン蓄積装置３６と現在移動体異常行動検出手段３７を設けたことにより、移動体位置時系列データ検出装置１で新たに検出された移動体に対して、異常行動を少ない演算量で検出することができる。

また、移動体行動パターン蓄積装置３６と現在移動体行動パターン検出手段３８を設けたことにより、移動体位置時系列データ検出装置１で新たに検出された移動体に対して、移動体行動パターンを少ない演算量で検出することができる。

また、移動体行動パターン更新手段４０を設けたことにより、新しい行動パターンを用いて検出可能となるため信頼性を高めることができるともに、移動体行動パターン蓄積装置３６で格納する容量を減らすことができる。

なお、本実施の形態では、移動体位置時系列データ検出装置１と移動体属性検出装置２とを個別に設けた。しかし、これに限ったものではなく、一体化した装置、例えば、顔画像認識を用いて、人物位置検出と人物属性検出の両方を検出する装置を用いてもよい。

実施の形態１に係る移動体行動解析装置の構成を示すブロック図である。 実施の形態１に係る移動体行動解析装置の動作を示す図である。 実施の形態１に係る移動体行動解析装置の動作を示す図である。 実施の形態１に係る移動体行動解析装置の動作を示す図である。 実施の形態１に係る移動体行動解析装置の動作を示す図である。 実施の形態１に係る移動体行動解析装置の動作を示す図である。 実施の形態２に係る移動体行動解析装置の構成を示すブロック図である。

符号の説明

１−１，１−２，１−３，１−ｎ 移動体位置時系列データ検出装置、２−１，２−２，２−３，２−ｍ 移動体属性検出装置、３１ 移動体位置時系列データ蓄積装置、３２ 移動体異常行動検出手段、３３ 移動体行動特徴データ検出手段、３４ 移動体行動パターン検出手段、３５ 移動体異常行動再検出手段、３６ 移動体行動パターン蓄積装置、３７ 現在移動体異常行動検出手段、３８ 現在移動体行動パターン検出手段、３９ 表示装置、４０ 移動体行動パターン更新手段、５１ クラスタ中心、５２ 行動特徴データ、５３ クラスタ。

Claims (12)

1. 複数の移動体について前記移動体ごとに位置時系列データを検出する移動体位置時系列データ検出装置と、
   前記移動体位置時系列データ検出装置で検出された前記位置時系列データを予め格納する移動体位置時系列データ蓄積装置と、
   前記移動体ごとに前記位置時系列データを所定の時系列データ統計的分析手法によりモデル化し、一の前記移動体に対応する前記モデルと、他の複数の前記移動体に対応する前記モデルそれぞれとの間の所定の類似度を、予め定められた基準に照合することにより、前記一の移動体の行動が異常であるか否かを判定する移動体異常行動検出手段と、
   前記モデル間の前記所定の類似度を変換して得られる多次元ベクトルを前記移動体の所定の行動特徴データとして検出する移動体行動特徴データ検出手段と、
   前記移動体行動特徴データ検出手段から検出された前記所定の行動特徴データをクラスタリングし、当該クラスタそれぞれの前記所定の行動特徴データに対応する移動体行動パターンを検出し、それに対応する前記モデルを検出する移動体行動パターン検出手段とを備える、
   移動体行動解析装置。
2. 前記所定の時系列データ統計的分析手法は、隠れマルコフモデルであり、
   前記所定の類似度は、前記一の移動体に対応する前記モデルと、前記他の複数の移動体に対応する前記モデルとの間の確率的距離であり、
   前記移動体異常行動検出手段は、
   前記確率的距離の最小値が予め定められた所定の閾値以上である場合に、前記一の移動体の行動が異常であると判定する、
   請求項１に記載の移動体行動解析装置。
3. 前記移動体行動パターン検出手段で検出された前記モデルと、前記複数の移動体の前記位置時系列データそれぞれとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、前記移動体の行動が異常であると判定する移動体異常行動再検出手段をさらに備える、
   請求項１または請求項２に記載の移動体行動解析装置。
4. 前記移動体行動パターン検出手段で検出された前記モデルを予め格納する移動体行動パターン蓄積装置と、
   前記移動体行動パターン蓄積装置に予め格納された前記モデルそれぞれと、一の前記移動体の前記位置時系列データとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、前記一の移動体の行動が異常であると判定する現在移動体異常行動検出手段とをさらに備える、
   請求項１乃至請求項３のいずれかに記載の移動体行動解析装置。
5. 前記移動体行動パターン検出手段で検出された前記モデルを予め格納する移動体行動パターン蓄積装置と、
   前記移動体行動パターン蓄積装置に予め格納された前記モデルそれぞれと、一の前記移動体の前記位置時系列データとから算出される所定の適合度に応じて、尤度が最大となる前記一の移動体の移動体行動パターンを検出する現在移動体行動パターン検出手段とをさらに備える、
   請求項１乃至請求項３のいずれかに記載の移動体行動解析装置。
6. 前記移動体行動パターン蓄積装置に予め格納された前記移動体行動パターンの前記モデルを更新する移動体行動パターン更新手段をさらに備える、
   請求項４または請求項５に記載の移動体行動解析装置。
7. 複数の移動体について前記移動体ごとに位置時系列データを検出する移動体位置時系列データ検出装置と、
   前記複数の移動体の属性を前記移動体ごとに検出する移動体属性検出装置と、
   前記移動体位置時系列データ検出装置で検出された前記位置時系列データを前記移動体属性検出装置で検出された前記属性ごとに予め格納する移動体位置時系列データ蓄積装置と、
   一の前記属性の前記移動体ごとに前記位置時系列データを所定の時系列データ統計的分析手法によりモデル化し、一の前記移動体に対応する前記モデルと、他の複数の前記移動体に対応する前記モデルそれぞれとの間の所定の類似度を、予め定められた基準に照合することにより、前記一の属性の前記一の移動体の行動が異常であるか否かを判定する移動体異常行動検出手段と、
   前記モデル間の前記所定の類似度を変換して得られる多次元ベクトルを前記一の属性の前記移動体の所定の行動特徴データとして検出する移動体行動特徴データ検出手段と、
   前記移動体行動特徴データ検出手段から検出された前記所定の行動特徴データをクラスタリングし、当該クラスタそれぞれの前記所定の行動特徴データに対応する移動体行動パターンを検出し、それに対応する前記モデルを検出する移動体行動パターン検出手段とを備える、
   移動体行動解析装置。
8. 前記所定の時系列データ統計的分析手法は、隠れマルコフモデルであり、
   前記所定の類似度は、前記一の移動体に対応する前記モデルと、前記他の複数の移動体に対応する前記モデルとの間の確率的距離であり、
   前記移動体異常行動検出手段は、
   前記確率的距離の最小値が予め定められた所定の閾値以上である場合に、前記一の属性の前記一の移動体の行動が異常であると判定する、
   請求項７に記載の移動体行動解析装置。
9. 前記移動体行動パターン検出手段で検出された前記モデルと、前記一の属性の前記複数の移動体の前記位置時系列データそれぞれとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、前記一の属性の前記移動体の行動が異常であると判定する移動体異常行動再検出手段をさらに備える、
   請求項７または請求項８に記載の移動体行動解析装置。
10. 前記移動体行動パターン検出手段で検出された前記モデルを予め格納する移動体行動パターン蓄積装置と、
    前記移動体行動パターン蓄積装置に予め格納された前記モデルそれぞれと、前記一の属性の一の前記移動体の前記位置時系列データとから算出される所定の適合度の最大値が、予め定められた所定の閾値以下である場合に、前記一の属性の前記一の移動体の行動が異常であると判定する現在移動体異常行動検出手段とをさらに備える、
    請求項７乃至請求項９のいずれかに記載の移動体行動解析装置。
11. 前記移動体行動パターン検出手段で検出された前記モデルを予め格納する移動体行動パターン蓄積装置と、
    前記移動体行動パターン蓄積装置に予め格納された前記モデルそれぞれと、前記一の属性の一の前記移動体の前記位置時系列データとから算出される所定の適合度に応じて、尤度が最大となる前記一の属性の前記一の移動体の移動体行動パターンを検出する現在移動体行動パターン検出手段とをさらに備える、
    請求項７乃至請求項９のいずれかに記載の移動体行動解析装置。
12. 前記移動体行動パターン蓄積装置に予め格納された前記移動体行動パターンに対応する前記モデルを更新する移動体行動パターン更新手段をさらに備える、
    請求項１０または請求項１１に記載の移動体行動解析装置。

Images