JP7370777B2 - 学習システム、分析システム、学習方法、分析方法、プログラム、及び記憶媒体 - Google Patents

Description

本発明の実施形態は、学習システム、分析システム、学習方法、分析方法、プログラム、及び記憶媒体に関する。

人物を写した画像が入力されると、その人物の身体部位に印付けするモデルがある。このモデルについて、身体部位への印付けの精度向上が求められている。

特開２０１７－０９１２４９号公報

M.M.Marinho, Y.Yatsushima, T.Maekawa, and Y.Namioka,"Preliminary evaluation of a framework for overhead skeleton tracking in factory environments using kinect,"in Proceedings of the 4th international Workshop on Sensor-based Activity Recognition and Interaction-iWOAR17, ACM Press, 2017.

本発明が解決しようとする課題は、モデルの身体部位への印付けの精度を向上できる、学習システム、分析システム、学習方法、分析方法、プログラム、及び記憶媒体を提供することである。

実施形態に係る学習システムは、第１生成部と、第２生成部と、第３生成部と、学習部と、を備える。前記第１生成部は、人体を模した３次元の仮想の人体モデルを用いて第１画像を生成する。前記第２生成部は、前記第１画像中の前記人体モデルのそれぞれの身体部位に印付けした教師画像を生成する。前記第３生成部は、第１処理、第２処理、第３処理、第４処理、及び第５処理から選択される少なくとも１つを前記第１画像に実行することで、ノイズを含む第２画像を生成する。前記第３生成部は、前記第１処理において、前記第１画像の縁に沿って画素を欠損させる。前記第３生成部は、前記第２処理において、前記第１画像中の前記人体モデルの輪郭に沿って画素を欠損させる。前記第３生成部は、前記第３処理において、前記第１画像の画素値にばらつきを加える。前記第３生成部は、前記第４処理において、前記第１画像に図形を加える。前記第３生成部は、前記第５処理において、前記第１画像に含まれる前記人体モデルの周囲に、実空間を写した画像を合成する。前記学習部は、前記第２画像及び前記教師画像を用いて第１モデルを学習させる。

第１実施形態に係る学習システムの構成を表す模式的ブロック図である。 第１実施形態に係る学習システムによる処理を説明するための図である。 第１実施形態に係る学習システムによる処理を説明するための図である。 第１実施形態に係る学習システムによる処理を説明するための図である。 第１実施形態に係る学習システムによる処理を説明するための図である。 第１実施形態に係る学習システムによる処理を説明するための図である。 第１実施形態に係る学習システムで用いられるニューラルネットワークを例示する模式図である。 第１実施形態に係る学習システムで用いられるニューラルネットワークの一部を例示する模式図である。 第１実施形態に係る学習システムによる処理を表すフローチャートである。 第１実施形態に係る学習システムの効果を説明するための図である。 第１実施形態に係る学習システムの効果を説明するための図である。 第１実施形態に係る学習システムの効果を説明するための図である。 第１実施形態に係る学習システムの効果を説明するための図である。 第１実施形態に係る学習システムの効果を説明するための図である。 第１実施形態に係る学習システムの効果を説明するための図である。 第１実施形態に係る学習システムの効果を説明するための図である。 第１実施形態の第１変形例に係る学習システムの構成を表す模式的ブロック図である。 第１実施形態の第２変形例に係る学習システムによる処理を説明するための図である。 第１実施形態の第３変形例に係る学習システムの構成を表す模式的ブロック図である。 第１実施形態の第３変形例に係る学習システムによる処理を説明するための図である。 第２実施形態に係る分析システムの構成を表す模式的ブロック図である。 第２実施形態に係る分析システムによる処理を説明するための図である。 第２実施形態に係る分析システムによる処理を説明するための図である。 第２実施形態に係る分析システムによる処理を説明するための図である。 第２実施形態に係る分析システムによる処理を説明するための図である。 第２実施形態に係る分析システムによる処理を表すフローチャートである。 システムのハードウェア構成を表すブロック図である。

以下に、本発明の各実施形態について図面を参照しつつ説明する。
本願明細書と各図において、既に説明したものと同様の要素には同一の符号を付して詳細な説明は適宜省略する。

（第１実施形態）
図１は、第１実施形態に係る学習システムの構成を表す模式的ブロック図である。
図２～図６は、第１実施形態に係る学習システムによる処理を説明するための図である。

第１実施形態に係る学習システム１００は、図１に表したように、処理装置１０及び記憶装置２０を備える。処理装置１０は、第１生成部１１、第２生成部１２、第３生成部１３、及び学習部１４を有する。

第１生成部１１は、第１画像を生成する。第１画像は、人体を模した３次元の仮想上の人体モデルを用いて生成される。この人体モデルの生成には、３次元のモデルデータを生成するためのソフトウェアが用いられる。ソフトウェアとしては、ＭａｋｅＨｕｍａｎを用いることができる。第１画像は、例えば、人体モデルのレンダリングにより生成される。第１生成部１１は、生成した第１画像を記憶装置２０に記憶する。

第１画像を生成する際に、環境モデルがさらに用いられても良い。環境モデルは、後述する実空間上の人物が存在する環境を模して生成される。環境として、例えば、物品（設備、備品、製作物等）や、床、壁などが設定される。環境モデルを用いる場合、環境モデルと、環境モデル中に配された人体モデルと、をレンダリングすることで、第１画像が生成される。又は、人体モデルと環境モデルをそれぞれ別々にレンダリングし、それらを合成することで第１画像が生成されても良い。環境モデルとして、例えば、机を模した直方体、机上の器材又は製品を模した直方体、柱体、又は錐体などの３次元図形などを用いることができる。環境モデルの生成には、Ｂｌｅｎｄｅｒを用いることができる。例えば、ＭａｋｅＨｕｍａｎにより生成した人体モデルを、Ｂｌｅｎｄｅｒのアプリケーション上で読み込み、さらにそのアプリケーション上で環境モデルを追加する。環境モデルの追加後に、人体モデル及び環境モデルをレンダリングすることで、第１画像を生成できる。

第１画像は、例えば、深度情報を含む深度画像である。深度画像では、各画素値が、基準位置から対象までの距離を示す。又は、第１画像の各画素値は、ＲＧＢ色空間、ＨＳＶ色空間、ＨＳＬ色空間、グレースケールなどで表される色を示すものであっても良い。深度画像として第１画像を生成したときの例を、図２（ａ）に表す。グレースケールの第１画像を生成したときの例を、図２（ｂ）に表す。ここでは、第１画像は、人体モデル９１と、台９２、物品９３、床９４ａ、及び壁９４ｂを含む環境モデルと、を用いて生成されている。なお、図２（ｂ）では、環境モデルを省略し、人体モデル９１のみを用いたときの第１画像を例示している。また、これらの第１画像には、人体モデル及び環境モデルを上方から見たときの様子が表されている。

第２生成部１２は、第１画像に含まれる人体モデルの各身体部位に印付けし、教師画像を生成する。例えば、人体モデルには、各身体部位を区別するための情報が付帯される。第２生成部１２は、この情報に基づいて各身体部位に印付けする。印付けにより、画像上で各身体部位が区別可能になる。一例として、第１画像が上方から見た人体モデルを表す場合、教師画像では、頭、肩、上腕、前腕、及び手が互いに区別できるように異なる色が付される。第１画像が正面から人体モデルを表す場合、教師画像では、頭、首、肩、上腕、前腕、体幹、太腿、下腿、及び足が互いに区別できるように異なる色が付される。図２（ｃ）は、図２（ａ）及び図２（ｂ）に対応する色づけされた教師画像の一例である。

図２（ｃ）の例では、人体モデル９１の頭９１ａ、左肩９１ｂ、左上腕９１ｃ、左前腕９１ｄ、左手９１ｅ、右肩９１ｆ、右上腕９１ｇ、右前腕９１ｈ、及び右手９１ｉが写っている。

又は、第２生成部１２は、印付けとして、各身体部位の重心を示しても良い。例えば、第２生成部１２は、第１画像において、身体部位を示す領域ごとに重心を算出する。第２生成部１２は、各身体部位の重心を第１画像に重ね、教師画像を生成する。又は、第２生成部１２は、印付けとして、各身体部位に対応する関節を示しても良い。例えば、第２生成部１２は、身体部位同士が接続されている箇所を関節と判定する。第２生成部１２は、各身体部位に対応する関節を第１画像に重ね、教師画像を生成する。

第２生成部１２は、身体部位の色付け、重心の特定、及び関節の特定の２つ以上を組み合わせて印付けを行っても良い。第２生成部１２は、生成した教師画像を記憶装置２０に記憶する。

記憶装置２０は、ある時刻における各身体部位の位置を示した位置データを記憶していても良い。位置データは、実空間における人物の各身体部位の位置を直接的又は間接的に検出することで得られる。例えば、各身体部位の位置検出には、Ｎｏｉｔｏｍ社のＰＥＲＣＥＰＴＩＯＮ ＮＥＵＲＯＮなどのモーションキャプチャシステムを用いることができる。

以降では、簡便な説明のために、各身体部位の位置の組み合わせを「姿勢」ともいう。例えば、第１生成部１１は、位置データを用いて第１画像を生成する。具体的には、第１生成部１１は、人体モデルの各身体部位の位置を、位置データに合わせて設定する。すなわち、第１生成部１１は、コンピュータ上の人体モデルに、実空間における人物と同じ姿勢をとらせる。第１生成部１１は、姿勢を設定した人体モデルを用いて第１画像を生成する。また、第２生成部１２は、その第１画像に含まれる人体モデルの各身体部位に印付けする。

例えば、記憶装置２０は、複数の位置データを記憶している。複数の位置データは、それぞれ、互いに異なる複数の時刻における実空間上の人物の姿勢を示す。第１生成部１１は、複数の位置データを用いて、人体モデルの姿勢を様々に変化させる。人体モデルの姿勢が設定されるたびに、第１生成部１１及び第２生成部１２は、その人体モデルを用いた第１画像及び教師画像を生成する。これにより、互いに異なる複数の第１画像と、複数の第１画像にそれぞれ対応する複数の教師画像と、が得られる。

上述した通り、第１画像は、人体モデルを用いて生成される。このため、第１画像には、画素値の乱れや画素の欠損などが無い。ここでは、画素値の乱れ、画素の欠損などの意図しない要素をノイズという。第３生成部１３は、第１画像を用いて、ノイズを含む第２画像を生成する。例えば、第３生成部１３は、以下の第１処理～第５処理から選択される少なくとも１つを実行し、第２画像を生成する。

第１処理では、第３生成部１３は、第１画像の縁に沿って画素を欠損させる。図３（ａ）は、第１画像の一例である。図３（ｂ）は、第１処理により生成された第２画像の一例である。この例では、右の縁に沿って画素が欠損されている。

例えば、第３生成部１３は、以下の数式１～数式５に従って、第１画像にノイズを加える。

数式１～５において、ｗは、画像の幅（横方向の画素数）を表す。ｈは、画像の高さ（縦方向の画素数）を表す。ｉは、画像の横方向の座標を表し、０以上ｗ以下である。ｊは、画像の縦方向の座標を表し、０以上ｈ以下である。Ｄ_ｉｎは、座標（ｉ，ｊ）の画素値を表す。Ｃ_＃は、数式２～５に表したＣ_ｌｅｆｔ、Ｃ_{ｒｉｇｈｔ}、Ｃ_ｔｏｐ、及びＣ_ｄｏｗｎからランダムに選択される１つである。δ_１及びδ_２は、第１処理が実行されるたびに、ランダムに決定される。δ_１として使用される値の範囲及びδ_２として使用される値の範囲は、予め設定される。例えば、δ_１は、２０以上５０以下の値からランダムに決定される。δ_２は、０以上１５以下の値からランダムに決定される。

δ_１及びδ_２は、予め設定される。δ_１及びδ_２を調整することで、欠損する領域の幅を制御できる。Ｄ_ＭＰＡ１（ｉ，ｊ，Ｄ_ｉｎ）は、画像の右辺、左辺、上辺、及び下辺からランダムに選択された１つの縁に沿って、画素値をゼロにする（画素を欠損させる）ことを表している。

第１画像において人体モデルが縁の近くに位置しているとき、第３生成部１３は、人体モデルを示す領域の一部を欠損させても良い。又は、第１画像上で人体モデルを示す領域が既知であるとき、第３生成部１３は、人体モデルを示す領域が欠損しないように第１処理を実行しても良い。

第２処理では、第３生成部１３は、第１画像に含まれる輪郭に沿って画素を欠損させる。まず、第３生成部１３は、第１画像に含まれる輪郭を検出する。輪郭の抽出には、一次微分フィルタを用いることができる。第３生成部１３は、輪郭に沿ってランダムに画素を欠損させる。すなわち、輪郭の一部分で画素を欠損させ、輪郭の他の部分では画素を欠損させない。画素の欠損の対象となる輪郭には、人体モデルの輪郭だけでなく環境モデルの輪郭が含まれても良い。人体モデルをレンダリングして第１画像を生成する際に、人体モデルの輪郭を示す情報が記憶装置２０に記憶されても良い。この場合、第３生成部１３は、輪郭を抽出せずに、情報が示す人体モデルの輪郭に沿ってランダムに画素を欠損させても良い。

具体的な一例として、第３生成部１３は、輪郭上に、均一に分散したＮ_ｃ個の円を生成する。Ｎ_ｃは、予め設定される。例えば、Ｎ_ｃは、３０に設定される。円の位置は、ランダムに決定される。各円の径ｒは、均一である。径ｒは、ランダムに決定される。ｒとして使用される値の範囲は、予め設定される。例えば、ｒは、０以上２０以下の値からランダムに決定される。第３生成部１３は、以下の数式６に表したように、円の内側の画素値を０にする。

第３処理では、第３生成部１３は、第１画像の各画素値にばらつきを加える。例えば、第１画像が画素値として深度情報を含むとき、第３生成部１３は、少なくとも一部の画素の深度にばらつきを加える。
第４処理では、第３生成部１３は、第１画像に図形を加える。図形の形、大きさ、深度（又は色）などは、実空間上の環境に応じて適宜設定される。例えば、第３生成部１３は、少なくとも１つの四角形を第１画像に追加して第２画像を生成する。第３生成部１３は、四角以外の多角形、円形、楕円形、アニュラスなどを追加しても良い。

具体的な一例として、第３処理は、以下の数式７及び８に従って実行される。第４処理は、以下の数式７及び９に従って実行される。

ｆ_＃（ｉ，ｊ）は、数式８又は９を表す。すなわち、第３処理を実行する際は、数式７のｆ_＃（ｉ，ｊ）に、数式８で得られた値が代入される。第４処理を実行する際は、数式７のｆ_＃（ｉ，ｊ）に、数式９で得られた値が代入される。

数式８のαは、－１以上１以下の値であり、ランダムに決定される。Ｄ_ｕは、ばらつきの最大値を表す。数式７及び８により、画素ごとに、ばらつきの最大値に、－１以上１以下の値を乗じた値が加えられる。

数式９のＤ_ｒは、第１画像内に追加された図形の深度を表す。例えば、図形の形、幅、高さ、数は予め設定される。第３生成部１３は、各図形の中心をランダムに均一に分散させて決定する。

図４（ａ）は、第１処理が実行され、下辺に沿って画素が欠損された第２画像の一例である。図４（ｂ）は、図４（ａ）の画像にさらに第４処理を実行して生成された第２画像の一例である。図４（ａ）の例では、第１画像に、人体モデル９１、台９２、物品９３、及び床９４が含まれている。第２画像では、これらの要素に、図形９５ａ及び９５ｂが追加されている。

第５処理では、第３生成部１３は、第１画像に含まれる人体モデルの周囲に、実空間で撮影された画像を合成する。例えば、第３生成部１３は、人体モデルをレンダリングして画像を生成すると、実空間で撮影された画像上に人体モデルの画像を重ね合わせる。これにより、第２画像が生成される。実空間で撮影された画像では、各画素値にばらつきが存在する。第５処理により、人体モデルの周囲の画素値がばらついた第２画像が生成される。

図５（ａ）は、人体モデルをレンダリングして得られた第１画像の一例である。図５（ｂ）は、実空間で撮影された画像の一例である。この例では、図５（ｂ）の画像には、台９２が写っている。また、図５（ｂ）の画像の外周では、画像が乱れていることが分かる。図６は、図５（ａ）及び図５（ｂ）に表した画像を合成して得られる第２画像の一例である。図６に表したように、合成により、ノイズが加わった人体モデルの画像が得られる。

第３生成部１３は、生成した第２画像を記憶装置２０に記憶する。第１生成部１１が複数の第１画像を生成する場合、第３生成部１３は、それぞれの第１画像に対して第２画像を生成する。

学習部１４は、第１画像に基づく第２画像を入力データとし、第１画像に対応する教師画像を教師データとして用いて、第１モデルを学習させる。第１モデルは、例えばニューラルネットワークを含む。第１モデルは、決定木（Decision Tree）又はランダムフォレスト（Random Forest）を含んでも良い。複数の第２画像及び複数の教師画像が生成されるときは、互いに対応する第２画像と教師画像の組を順次用いて第１モデルを学習させる。

これにより、第１モデルは、人物が撮影された画像が入力された際に、その人物の各部がどの身体部位に対応するか印付けされた結果を出力するように学習される。すなわち、第１モデルは、セマンティックセグメンテーションを実行するように学習される。学習部１４は、学習させた第１モデルを記憶装置２０に記憶する。

図７は、第１実施形態に係る学習システムで用いられるニューラルネットワークを例示する模式図である。
図８は、第１実施形態に係る学習システムで用いられるニューラルネットワークの一部を例示する模式図である。
第１モデルは、好ましくはニューラルネットワークを含む。ニューラルネットワークを用いることで、身体部位への印付けの精度を向上させることができる。ニューラルネットワークの構成は、任意である。画像の特徴をより精度良く抽出するためには、ニューラルネットワークは、畳込み層を含むことが好ましい。ここでは、特に好ましいニューラルネットワークの構成の一例を説明する。

図７に表したニューラルネットワーク９００は、エンコーダパス９１０及びデコーダパス９２０を含む。エンコーダパス９１０の少なくとも一部では、データの畳込み処理及びプーリング処理の少なくともいずれかが実行され、データが縮小される。デコーダパス９２０の少なくとも一部では、データが拡大される。

具体的には、エンコーダパス９１０は、ブロック９１１～９１５を含む。デコーダパス９２０は、ブロック９２１～９２４を含む。例えば、ブロック９１２～９１５及び９２１～９２４のそれぞれは、複数のサブブロックを含む。

図７の例では、ブロック９１１において、幅７×高さ７の畳込み処理７ｃが実行される。例えば、入力画像９４１のデータサイズが幅４２５画素×高さ５１３画素のとき、ブロック９１１において、入力画像９４１は、幅２１３×高さ２５７の特徴量マップへ縮小される。例えば、ブロック９１１は、幅２１３×高さ２５７×厚み１のカーネルを６４個含む。ブロック９１１は、幅２１３×高さ２５７の特徴量マップを６４個出力する（保有する。ブロック９１１から出力された特徴量マップは、ブロック９１２へ入力されるとともに、ブロック９２１へ入力される。

ブロック９１２は、サブブロック９１２ａ～９１２ｄを含む。ブロック９１１から出力された特徴量マップに対して、サブブロック９１２ａにおいてプーリング処理ｐが実行される。これにより、特徴量マップのサイズは、幅５４×高さ６６へさらに縮小される。

ニューラルネットワーク９００では、エンコーダパス９１０は、残差ブロックを含む。残差ブロックでは、所定の演算処理が実行される。演算処理では、残差ブロックで実行された畳込み処理の出力結果である特徴量マップと、残差ブロックへ入力された特徴量マップと、を用いた演算が実行される。演算は、加算などである。例えば図８に表したように、残差ブロックに、特徴量マップＩＮが入力されると、畳込み処理３ｃが複数回実行される。畳込みされた特徴量マップと、未処理の特徴量マップＩＮと、が演算され、特徴量マップＯＵＴが出力される。

図７の例では、ブロック９１２のサブブロック９１２ｂ～９１２ｄ、ブロック９１３のサブブロック９１３ａ～９１３ｄ、ブロック９１４のサブブロック９１４ａ～９１４ｆ、及びブロック９１５のサブブロック９１５ａ～９１５ｃが残差ブロックとして機能する。

例えば、図７に表したように、ブロック９１３には、それぞれが残差ブロックとして機能する４つのサブブロック９１３ａ～９１３ｄが設けられている。これらのサブブロックでは、畳込みに用いるカーネル数が５１２個あり、５１２個の特徴量マップが出力される。同様にブロック９１４には、それぞれが残差ブロックとして機能する６つのサブブロック９１４ａ～９１４ｆが設けられている。これらのサブブロックは、１０２４個のカーネルを用いて１０２４個の特徴量マップを出力する。ブロック９１５には、それぞれが残差ブロックとして機能する３つのサブブロック９１５ａ～９１５ｃが設けられている。これらのサブブロックは、２０４８個のカーネルを用いて２０４８個の特徴量マップを出力する。また、ブロック９１５は、幅３×高さ３の畳込み処理３ｃを実行するサブブロック９１５ｄをさらに含む。

ブロック９１２～９１５では、特徴量マップの縮小又は拡大は実行されない。従って、各残差ブロックへ入力される各特徴量マップのサイズ、各残差ブロックから出力される各特徴量マップのサイズ、及び残差ブロック同士の間で出力される各特徴量マップのサイズは、互いに同じである。

ブロック９１２から出力された特徴量マップは、ブロック９１３へ入力されるとともに、ブロック９２２へ入力される。ブロック９１３から出力された特徴量マップは、ブロック９１４へ入力されるとともに、ブロック９２３へ入力される。

ブロック９２４には、ブロック９１４から出力された特徴量マップと、ブロック９１５から出力された特徴量マップと、が入力される。具体的には、双方から出力される特徴量マップを重ね合わせて、以降の畳込み処理が実行される。例えば、ブロック９２４は、それぞれが畳込み処理３ｃを実行するサブブロック９２４ａ～９２４ｃを含む。サブブロック９２４ａには、ブロック９１４から出力された幅５４×高さ６６の１０２４個の特徴量マップと、ブロック９１５から出力された幅５４×高さ６６の２０４８個の特徴量マップと、が入力される。サブブロック９２４ａは、これらの特徴量マップを処理するために、幅３×高さ３×厚み３０７２のカーネルを、２０４８個有する。畳込み処理３ｃが実行されるとき、ブロック９２４から出力される各特徴量マップのサイズが、ブロック９２４へ入力された各特徴量マップのサイズと同じになるように、例えばゼロパディングが適用される。

同様に、ブロック９２３には、ブロック９１３から出力された特徴量マップと、ブロック９２４から出力された特徴量マップと、が入力される。ブロック９２３は、ブロック９２４と同様に、ゼロパディングを適用した畳込み処理３ｃを実行するサブブロック９２３ａ～９２３ｃを含む。例えば、サブブロック９２３ａは、ブロック９１３から出力された幅５４×高さ６６の５１２個の特徴量マップと、ブロック９２４から出力された幅５４×高さ６６の２０４８個の特徴量マップと、を処理するために、幅３×高さ３×厚み２５６０のカーネルを、１０２４個含む。
同様に、ブロック９２２は、ブロック９１２から出力された特徴量マップと、ブロック９２３から出力された特徴量マップと、にゼロパディングを適用した畳込み処理３ｃを実行するサブブロック９２２ａ及び９２２ｂを含む。例えば、サブブロック９２２ａは、ブロック９１２から出力された幅５４×高さ６６の２５６個の特徴量マップと、ブロック９２３から出力された幅５４×高さ６６の１０２４個の特徴量マップと、を処理するために、幅３×高さ３×厚み１２８０のカーネルを、５１２個含む。

ブロック９２２は、サブブロック９２２ｂから出力された特徴量マップに対して、アップサンプリング処理ｕを実行するサブブロック９２２ｃをさらに含む。アップサンプリング処理ｕにより、各特徴量マップのサイズが幅２１３×高さ２５７へ拡大される。ブロック９２１には、ブロック９１１から出力された特徴量マップと、ブロック９２２から出力された特徴量マップと、が入力される。

ブロック９２１は、畳込み処理３ｃを実行するサブブロック９２１ａ及び９２１ｂ、アップサンプリング処理ｕを実行するサブブロック９２１ｃ、幅１×高さ１の畳込み処理１ｃを実行するサブブロック９２１ｄ、及びバイリニア法を用いたアップサンプリング処理ｂｕを実行するサブブロック９２１ｅを含む。これらのサブブロックにおける処理によって、各特徴量マップのサイズが拡大される。これにより、入力画像のサイズと同じ幅４２５画素×高さ５１３画素の出力画像９４２が出力される。

エンコーダパス９１０によって特徴量マップのサイズが縮小されることで、画像の特徴が抽出される。また、デコーダパス９２０によって特徴量マップのサイズが拡大されることで、画像内の各特徴に対応した領域が抽出される。また、エンコーダパス９１０からデコーダパス９２０へ、縮小されていない特徴量マップが送られることで、画像に含まれる輪郭の特徴等の局所的な特徴を、劣化させずに直接デコーダパス９２０へ伝達できる。

また、残差ブロックを設けることで、勾配消失問題を抑制し、より深いネットワーク構成を有するエンコーダパス９１０を構成できる。これにより、画像から領域を抽出する際の精度を向上できる。つまり、頭、肩、上腕などの身体部位の領域をより高精度に特定できる。

図７では、各ブロックに含まれるサブブロックの数、及び各ブロックで処理される特徴量マップのサイズの一例を記載した。この例に限定されず、ブロックの数、各ブロックの構成、各ブロックにおけるサブブロックの数、及び処理される特徴量マップのサイズは、適宜変更可能である。

例えば、実施形態に係る学習システムで用いられるニューラルネットワークは、以下の構成を備えていれば良い。ニューラルネットワークは、入力画像のデータが縮小される第１ブロックを含む。図７の例では、第１ブロックは、畳込み処理７ｃが実行されるブロック９１１又はプーリング処理が実行されるサブブロック９１２ａに対応する。

当該ニューラルネットワークは、第１ブロックから出力された特徴量マップが入力される第１残差ブロックをさらに含む。第１残差ブロックは、サブブロック９１２ｂ～９１２ｄ、９１３ａ～９１３ｄ、及び９１４ａ～９１４ｆのいずれかに対応する。第１層から第１残差ブロックへは、別のブロックを介してデータが入力されても良い。

当該ニューラルネットワークは、第１残差ブロックから出力されたデータが入力される第２残差ブロックをさらに含む。第２残差ブロックから出力される特徴量マップのサイズは、第２残差ブロックに入力される特徴量マップのサイズ及び第１残差ブロックから出力される特徴量マップのサイズとそれぞれ同じである。第２残差ブロックは、サブブロック９１５ａ～９１５ｃのいずれかに対応する。第１残差ブロックから第２残差ブロックへは、別のブロックを介してデータが入力されても良い。

当該ニューラルネットワークは、第１残差ブロックから出力された特徴量マップと第２残差ブロックから出力された特徴量マップが入力される第２ブロックをさらに含む。第２ブロックは、サブブロック９２４ａ、９２３ａ、及び９２２ａのいずれかに対応する。第２残差ブロックから第２ブロックへは、別のブロックを介してデータが入力されても良い。

当該ニューラルネットワークは、第１ブロックから出力された特徴量マップと第２ブロックから出力された特徴量マップが入力される第３ブロックをさらに含む。第３ブロックは、サブブロック９２１ａに対応する。第２ブロックから第３ブロックへは、別のブロックを介してデータが入力されても良い。

当該ニューラルネットワークは、第３ブロックから出力された特徴量マップが入力される第４ブロックをさらに含む。第４ブロックでは、特徴量マップが拡大されて出力画像が出力される。第４ブロックは、ブロック９２１においてアップサンプリング処理ｂｕが実行されるサブブロック９２１ｅに対応する。第３ブロックから第４ブロックへは、別のブロックを介してデータが入力されても良い。

学習部１４は、第２画像と教師画像を用いて、例えば図７に表したニューラルネットワーク９００を含む第１モデルを学習させる。

図９は、第１実施形態に係る学習システムによる処理を表すフローチャートである。
ここでは、複数の第２画像及び複数の教師画像を用いて第１モデルを学習させる場合について説明する。
第１生成部１１は、人体モデルを用いて複数の第１画像を生成する（ステップＳ１）。複数の第１画像に写された人体モデルの姿勢は、互いに異なる。
第２生成部１２は、複数の第１画像に各身体部位への印付けを行い、複数の第１画像にそれぞれ対応する複数の教師画像を生成する（ステップＳ２）。第３生成部１３は、複数の第１画像に対して第１処理～第５処理の少なくともいずれかを実行し、複数の第２画像を生成する（ステップＳ３）。学習部１４は、互いに対応する第２画像と教師画像の組を順次用いて第１モデルを学習させる（ステップＳ４）。

上述した学習システム１００による処理の順序は、適宜変更可能である。例えば、ステップＳ３をステップＳ１とＳ２の間に実行しても良い。ステップＳ２とＳ３を並列して実行しても良い。又は、１つの第１画像を生成するたびに、その第１画像に対応する教師画像及び第２画像が生成され、第１モデルが学習されても良い。

第１実施形態の効果を説明する。
第１実施形態に係る学習システム１００では、第１生成部１１が、３次元の人体モデルを用いて第１画像を生成する。このため、人が写った学習用の画像を用意する際に、実空間における人物を撮影する手間が不要となる。
また、実際の撮影により画像を生成した場合、その画像に対応する教師画像の生成にも大きな労力を要する。例えば、人が画像を確認し、その画像に写された人物の各部がどの身体部位に対応するかを印付けしていく必要がある。特に、モデルを十分に学習させるためには、多くの学習データが必要となる。すなわち、多くの画像を撮影し、それぞれの画像を確認して印付けしていく必要がある。
これに対して、人体モデルには、各点がどの身体部位に対応するかを示す情報が付帯されている。この情報を参照することで、第１画像が生成された際に、第１画像に写された人体モデルの各部が、どの身体部位に対応するか容易に判別できる。第２生成部１２は、この情報に基づき、容易に第１画像に対応する教師画像を生成できる。
このように、第１実施形態に係る学習システム１００によれば、第１モデルの学習に必要なデータを容易に用意することが可能となる。

一方で、人体モデルを用いて画像を生成すると、以下の課題が生じる。
カメラ等の撮像装置を用いて実際に撮影を行った場合、画素値のばらつきや画素の欠損などが生じる。人体モデルを用いて画像を生成する場合、画素値のばらつき、画素の欠損は生じない。すなわち、人体モデルを用いた場合、実際の写真に比べて、過度に鮮明な画像が得られる。
学習された第１モデルは、画像に写る実空間上の人物の各身体部位を印付けするために用いられる。すなわち、学習された第１モデルには、ノイズを含む画像が入力される。第１モデルが過度に鮮明な画像を用いて学習されていると、ノイズの影響によって、入力された画像への印付けの精度が低下する。

この課題について、第１実施形態に係る学習システム１００では、第３生成部１３が、第１画像からノイズを含む第２画像を生成する。ノイズが加えられることで、人体モデルを用いて生成された第１画像が、実際に撮影された画像に近くなる。学習部１４は、第２画像を用いて第１モデルを学習させる。これにより、画素値のばらつき、画素の欠損などのノイズが身体部位の印付けに及ぼす影響を低減し、第１モデルによる各身体部位の判定の精度を向上できる。

また、発明者の検討の結果、第２画像を生成する際に、上述した第１処理～第５処理の少なくともいずれかを実行することで、第１モデルによる各身体部位の判定の精度をさらに向上できることが分かった。

図１０～図１６は、第１実施形態に係る学習システムの効果を説明するための図である。
図１０（ａ）は、第１モデルに入力される深度画像である。図１０（ａ）の画像には、帽子を被った人物９６が部品の組み立て作業を行っている様子が写されている。第１モデルは、図１０（ａ）の画像に写された人物９６の各身体部位に印付けを行う。図１０（ｂ）は、図１０（ａ）の画像に対する理想的な印付けを表す。図１０（ａ）に表した画像には、図１０（ｂ）に表したように、人物９６の頭９６ａ、左肩９６ｂ、左上腕９６ｃ、左前腕９６ｄ、左手９６ｅ、右肩９６ｆ、右上腕９６ｇ、右前腕９６ｈ、及び右手９６ｉが写っている。

図１１（ａ）及び図１２（ａ）は、第１画像を用いて学習した第１モデルに、図１０（ａ）の画像を入力したときの出力結果を表す。図１１（ｂ）は、第１処理の実行により得られた第２画像を用いて学習した第１モデルに、図１０（ａ）の画像を入力したときの出力結果を表す。図１２（ｂ）は、第２処理の実行により得られた第２画像を用いて学習したモデルに、図１０（ａ）の画像を入力したときの出力結果を表す。

図１１（ａ）の出力結果では、人物９６以外の領域の多くが、人物９６の身体部位として誤って認識されている。また、人物９６についても、頭９６ａと左肩９６ｂは認識されているが、その他の身体部位についてはほとんど認識されていない。

図１１（ｂ）の出力結果では、人物９６以外の領域について、身体部位として誤って認識された領域の面積が大きく減少している。すなわち、第１処理を用いることで、人物９６以外の領域が身体部位として誤認識されることを大きく抑制できる。また、図１１（ｂ）の出力結果では、頭９６ａと左肩９６ｂに加えて、左上腕９６ｃの一部、左前腕９６ｄの一部、及び右上腕９６ｇも認識されている。

図１２（ｂ）の出力結果では、身体部位として誤認識された領域が、図１２（ａ）の出力結果と同程度に存在する。一方で、人物９６に関しては、頭９６ａ及び左肩９６ｂがより鮮明に認識されている。さらに、左上腕９６ｃ、左前腕９６ｄ、左手９６ｅの一部、右上腕９６ｇ、及び右前腕９６ｈも認識されている。すなわち、第２処理を用いることで、人物９６の各身体部位の認識精度が大きく向上している。

図１３（ａ）及び図１４（ａ）は、第１処理及び第２処理の実行により得られた第２画像を用いて学習した第１モデルに、図１０（ａ）の画像を入力したときの出力結果を表す。図１１（ｂ）、図１２（ｂ）、及び図１３（ａ）の結果の比較から、第１処理と第２処理を組み合わせることで、人物９６以外を身体部位として誤認識することが大きく抑制されるとともに、人物９６の各身体部位の認識精度が大きく向上することが分かる。

図１３（ｂ）は、第１処理～第３処理の実行により得られた第２画像を用いて学習した第１モデルに、図１０（ａ）の画像を入力したときの出力結果を表す。図１４（ｂ）は、第１処理、第２処理、及び第４処理の実行により得られた第２画像を用いて学習した第１モデルに、図１０（ａ）の画像を入力したときの出力結果を表す。図１３（ａ）と図１３（ｂ）の出力結果の比較、及び図１４（ａ）と図１４（ｂ）の出力結果の比較から、第３処理又は第４処理をさらに用いることで、人物９６以外を身体部位として誤認識することがほぼ無くなることが分かる。

図１５は、部品の組み立て作業中の人物が写った画像を第１モデルに入力したときの認識精度を表す。図１６は、検査作業中の人物が写った画像を第１モデルに入力したときの認識精度を表す。いずれの画像も、各人物を上方から撮影して得られた深度画像である。図１５及び図１６において、縦軸は、Intersection over Union（ＩＯＵ）を表す。横軸は、第２画像を生成する際に用いた処理を表す。第１処理Ｐ１、第２処理Ｐ２、第３処理Ｐ３、及び第４処理Ｐ４の１つ以上が用いられている。「Ｎｏｎｅ」は、いずれの処理も実行せず、第１画像を用いて第１モデルを学習させたときの結果を表す。

図１５及び図１６では、各身体部位の認識精度及びその平均（Ｍｅａｎ）が表されている。図１５及び図１６の結果から、第１処理～第４処理の少なくともいずれかを実行することで、認識精度の平均値が向上していることが分かる。特に、第１処理～第４処理の２つ以上を実行することで、認識精度の平均値が大きく向上していることが分かる。

また、第５処理は、上述した通り、第１画像に含まれる人体モデルの周囲に、実空間で撮影された画像を合成する。これにより、人体モデルの周囲に、画素のばらつき及び画素の欠損が加えられる。従って、第５処理の実行により、第２処理及び第３処理と同様の効果が得られると考えられる。また、実空間で撮影された画像に物品が写っている場合は、第４処理と同様の効果が期待できる。このため、第３生成部１３は、第１処理～第５処理の２つ以上を実行して第２画像を生成することが好ましい。

上述した例では、主に深度画像を用いて第１モデルを学習させる例を説明した。この例に限らず、色画像を用いて第１モデルが学習されても良い。ただし、人物の身体部位の認識精度向上のためには、深度画像を用いることが好ましい。色画像を用いた場合、人物の着衣や肌、髪などの色が認識結果に影響を与える。このため、学習時に用いた人体モデルの色付けが、撮影された画像中の人物の色と異なると、認識精度が低下する。また、色情報を含む第１画像は、色を示す値を各画素に設定する必要がある。また、色は、実際の人物に似せて設定する必要がある。これに対して、深度情報を含む第１画像は、基準の面と人体モデルの各部との間の距離を画素値として設定することで、容易に生成できる。

また、上述した例では、人体モデル又は人物を上方から写した画像を用いる例を説明した。この例に限らず、人体モデル又は人物を正面、背面、又は側方から写した画像を用いても良い。ただし、実際の作業現場では、人物の周囲には、設備や備品などの物品が存在しうる。このため、実空間上の人物を正面、背面、又は側方から撮影した場合、人物の一部が物品で隠れてしまう可能性がある。上方から人物を撮影することで、人物が物品で隠れる可能性を低減できる。このため、人体モデル又は人物を上方から写した画像を用いることが望ましい。なお、実空間上で人物を撮影する際の撮像装置の位置は、人物の直上でなくても良い。例えば、人物の頭と撮像装置とを結ぶ線分と鉛直方向との傾きが４５度以下であれば良い。

第１画像は、人体モデルのみに基づいて生成されても良いが、より好ましくは、環境モデルをさらに用いて生成される。実空間上の環境を模した環境モデルを用いて第１画像を生成し、その第１画像に基づく第２画像を学習に用いることで、人物の各身体部位とそれ以外の領域とが識別され易くなる。これにより、第１モデルによる各身体部位の認識精度をさらに向上させることができる。

（第１変形例）
図１７は、第１実施形態の第１変形例に係る学習システムの構成を示す模式的ブロック図である。
第１変形例に係る学習システム１１０は、図１７に表したように、検出器３１及び処理装置３２をさらに備える。検出器３１は、実空間上の人物に装着され、その人物の動きを検出する。処理装置３２は、検出された動きに基づいて、各身体部位の各時刻における位置を算出し、算出結果を記憶装置２０に記憶する。

例えば、検出器３１は、加速度センサ及び角速度センサの少なくともいずれかを含む。検出器３１は、人物の各身体部位の加速度又は角速度を検出する。処理装置３２は、加速度又は角速度の検出結果に基づいて、各身体部位の位置を算出する。

検出器３１の数は、区別したい身体部位の数に応じて適宜選択される。例えば、図１０～図１４に表したように、上方から撮影した人物の頭、両肩、両上腕、両前腕、及び両手にそれぞれ印付けする場合、１０個の検出器３１が用いられる。１０個の検出器を、それぞれ、実空間上の人物の各身体部位の安定して取り付けられる部分に取り付ける。例えば、比較的形状の変化が小さい、手の甲、前腕の中間部分、上腕の中間部分、肩、首の裏、頭の周囲に検出器をそれぞれ取り付け、これらの部位の位置データを取得する。

第１生成部１１は、記憶装置２０に記憶された各身体部位の位置データを参照し、人体モデルに、実空間上の人物と同じ姿勢をとらせる。第１生成部１１は、姿勢を設定した人体モデルを用いて第１画像を生成する。例えば、検出器３１を装着した人物が、実際の作業と同じ姿勢を取る。これにより、第１画像に写る人体モデルの姿勢が、実際の作業時の姿勢に近くなる。

この方法によれば、人体モデルの各身体部位の位置を人が指定する必要が無くなる。また、人体モデルの姿勢が、実際の作業時の人物の姿勢と全く異なる姿勢となることを回避できる。人体モデルの姿勢を実際の作業時の姿勢に近づけることで、第１モデルによる各身体部位への印付けの精度を向上させることができる。

（第２変形例）
第２変形例に係る学習システムは、第２生成部１２が教師画像を生成する際の処理について、学習システム１００と異なる。第２生成部１２は、第１画像に写された人体モデルの各身体部位を印付けする際に、印として重心を付与する。このとき、第２生成部１２は、人体モデルの各身体部位の３次元空間上の重心位置を算出する。

図１８は、第１実施形態の第２変形例に係る学習システムによる処理を説明するための図である。
深度画像中のある領域の重心を計算する際、その領域の幅方向及び高さ方向における重心を計算する方法がある。この方法では、各画素の深度情報が重心の計算に用いられていない。例えば図１８（ａ）に表したように、矢印Ａ１の方向から見た人体モデル９１を写した深度画像を生成し、その深度画像に写された人体モデルの頭の重心を計算する。重心の計算に深度情報が用いられないと、３次元での重心ＣＧは、頭の表面に位置する。

別の方法として、深度画像中のある領域の重心を計算する際に、各画素の深度情報を用いる方法もある。しかし、深度画像では、一方向から見たときの人体しか写っていない。例えば、矢印Ａ１の方向から見た人体モデル９１を写した深度画像では、頭の上面は写っているが、後頭部や側頭部の下側、顎の下などは写っていない。このため、重心の深度は、図１８（ｂ）に表したように、実際の３次元上での深度よりも浅くなる。

これに対して、人体モデルを用いて３次元上の重心を算出した場合、画像における人体モデルの見え方等に拘わらず、真の重心の位置を算出できる。例えば図１８（ｃ）に表したように、頭の重心は、図１８（ａ）及び図１８（ｂ）に表した重心よりも深くに位置する。

第１画像に写る人体モデルに対して、その各身体部位の３次元上の重心を示すことで、画像における身体部位の見え方に拘わらず、真の身体部位の座標及び深度を示すことができる。３次元上の重心を示した教師画像を用いて第１モデルを学習させることで、画像における実空間上の人物の見え方が身体部位の印付けに及ぼす影響を低減できる。従って、身体部位への印付けの精度を向上させることができる。

（第３変形例）
図１９は、第１実施形態の第３変形例に係る学習システムの構成を示す模式的ブロック図である。
第３変形例に係る学習システム１３０は、図１９に表したように、第３生成部１３を有していない。

学習システム１３０では、第１生成部１１は、人体モデルが見切れている第１画像を生成する。具体的には、第１生成部１１は、所定の方向から見たときの人体モデルが写された第１画像を生成する際に、人体モデルの一部のみをレンダリングする。レンダリングする領域は、例えば、四角状に設定される。例えば、第１画像の一辺において人体モデルが見切れている場合、人体モデルのレンダリングされる部分と、レンダリングされない部分と、の境界は、直線状となる。第１画像の角において人体モデルが見切れていても良い。

図２０は、第１実施形態の第３変形例に係る分析システムによる処理を説明するための図である。
図２０（ａ）及び図２０（ｂ）は、第１生成部１１により、人体モデルを用いて生成された第１画像を表す。図２０（ａ）は、深度画像を表す。図２０（ｂ）は、色画像を表す。これらの画像では、人体モデル９１が下辺で見切れている。第２生成部１２は、図２０（ｃ）に表したように、図２０（ａ）又は図２０（ｂ）の第１画像に対応する教師画像を生成する。

実空間上の人物を撮影した際、人物が見切れた画像が取得されることがある。この場合でも、画像に写った身体部位を精度良く認識できることが望ましい。人体モデルが見切れている第１画像を第１モデルの学習に用いることで、人物が見切れた画像が第１モデルに入力されたときでも、画像に写った身体部位の認識精度を向上させることができる。

又は、人物が見切れた第１画像を生成する代わりに、学習システム１００において生成された第１画像に対して、人物が見切れるように第１処理が実行されても良い。生成された第２画像を用いて第１モデルを学習させることで、同様の効果を得ることができる。

（第２実施形態）
図２１は、第２実施形態に係る分析システムの構成を表す模式的ブロック図である。
図２２～図２５は、第２実施形態に係る分析システムによる処理を説明するための図である。
第２実施形態に係る分析システム２００は、第１実施形態に係る学習システムによって学習された第１モデルを用いて、分析を実行する。分析システム２００は、図２１に表したように、処理装置４０を備える。図２１の例では、分析システム２００は、記憶装置２０、撮像装置５０、及び出力装置６０をさらに備える。

撮像装置５０は、実空間における作業中の人物（第１人物）を撮影し、画像を生成する。以降では、撮像装置５０により撮影された作業中の人物を、作業者とも呼ぶ。撮像装置５０は、静止画を取得しても良いし、動画を取得しても良い。動画を取得する場合、撮像装置５０は、動画から静止画を切り出す。撮像装置５０は、作業者が写った画像を記憶装置２０に記憶する。

例えば、作業者は、所定の第１作業を繰り返し実行する。撮像装置５０は、１回の第１作業の開始から終了までの間に、作業者を繰り返し撮影する。撮像装置５０は、繰り返しの撮影により得られた複数の画像を記憶装置２０に記憶する。

処理装置４０は、取得部４１、推定部４２、算出部４３、及び出力部４４を有する。
取得部４１は、記憶装置２０にアクセスし、作業者が写った画像（入力画像）を第１モデルに入力する。第１モデルは、作業者の各身体部位が印付けされた画像（出力画像）を出力する。取得部４１は、第１モデルから出力された画像を取得する。

推定部４２は、取得部４１によって取得された画像に基づき、入力画像に写る作業者の骨格情報を推定する。骨格情報は、各骨格の位置を含む。例えば、関節の位置が、骨格の位置として推定される。関節は、各身体部位同士の境界部分に設定される。複数の関節の位置に基づき、別の関節の位置が推定されても良い。関節に代えて、身体部位の重心が骨格として用いられても良い。又は、関節と重心を組み合わせて骨格として用いても良い。

一例として、取得部４１は、学習済みの第１モデルに画像を入力し、図２２（ａ）に表した画像を取得する。推定部４２は、図２２（ａ）に表した画像から、図２２（ｂ）に表したように、骨格情報を抽出する。この例では、頭の重心９７ａ、左肩の重心９７ｂ、左肘９７ｃ、左手首９７ｄ、左手の重心９７ｅ、右肩の重心９７ｆ、右肘９７ｇ、右手首９７ｈ、右手の重心９７ｉ、及び背骨９７ｊと、それらを結ぶ骨と、が推定されている。骨格情報として、重心の他に、身体部位の接合部分（関節）の座標が使用されても良い。

推定部４２は、第１モデルによって印付けされた複数の画像から複数の骨格情報をそれぞれ推定する。これにより、第１作業を実行中の作業者の各時刻における骨格情報が得られる。

算出部４３は、複数の骨格情報を用いて、時間の経過に伴う身体部位の動きを示す時系列データを生成する。例えば、算出部４３は、各骨格情報から、頭の重心の位置を抽出する。算出部４３は、骨格情報の基となった画像が取得された時刻に従って、頭の重心の位置を整理する。例えば、時刻と位置を紐づけて１レコードとするデータを作成し、複数のデータを時刻順にソートすることで、時間の経過に伴う頭の動きを示す時系列データが得られる。算出部４３は、少なくとも１つの骨格について、時系列データを生成する。

なお、第１モデルによって、各身体部位の印付けとして関節又は重心が特定される場合、推定部４２は設けられなくても良い。算出部４３は、第１モデルによって印付けされた関節又は重心の位置を用いて、時系列データを生成しても良い。

算出部４３は、生成した時系列データに基づいて、第１作業の周期を推定する。例えば、算出部４３は、時系列データから、互いに類似する特徴的な点を抽出する。算出部４３は、時間軸上で互いに隣り合う点同士の間の時間を、第１作業の周期とする。

出力部４４は、算出された周期に基づく情報を外部へ出力する。例えば、出力される情報は、算出された周期を含む。又は、情報は、周期を用いた計算により得られた値を含んでも良い。出力部４４は、周期に加えて、骨格の時系列データ、周期の計算に用いた各画像の時刻などをさらに出力しても良い。例えば、出力部４４は、情報を出力装置６０に出力させる。出力装置６０は、モニタ、スピーカ、プリンタ、及びプロジェクタの少なくともいずれかを含む。出力部４４は、情報を記憶装置２０に記憶しても良い。又は、出力部４４は、情報を含むファイルを、ＣＳＶなどの所定の形式で出力しても良い。出力部４４は、ＦＴＰ（File Transfer Protocol）などを用いて外部のサーバへデータを送信しても良い。又は、出力部４４は、データベース通信を行い、ＯＤＢＣ（Open Database Connectivity）などを用いて外部のデータベースサーバへデータを挿入してもよい。

図２３（ａ）、図２３（ｂ）、図２４（ｂ）、および図２４（ｃ）において、横軸は時間を表し、縦軸は鉛直方向における位置（深度）を表している。
図２３（ｃ）、図２３（ｄ）、図２４（ｄ）、および図２５（ａ）において、横軸は時間を表し、縦軸は距離を表している。これらの図では、距離の値が大きいほど、２つの対象の間の距離が近く、相関が強いことを示している。
図２４（ａ）および図２５（ｂ）は、横軸は時間を表し、縦軸はスカラー値を表している。

図２３（ａ）は、算出部４３により生成された時系列データの一例である。例えば図２３（ａ）は、作業者の左手の動きを示す時間長Ｔの時系列データである。まず、算出部４３は、図２３（ａ）に表した時系列データから、時間長Ｘの部分データを抽出する。

時間長Ｘは、例えば、作業者又は分析システム２００の管理者などによってあらかじめ設定される。時間長Ｘとしては、第１作業の大凡の周期に対応する値が設定される。時間長Ｔは、予め設定されても良いし、時間長Ｘに基づいて決定されても良い。例えば、取得部４１は、時間長Ｔの間に撮影された複数の画像をそれぞれ第１モデルに入力する。推定部４２は、それぞれの出力結果から骨格情報を推定する。算出部４３は、それらの推定結果を用いて、時間長Ｔの時系列データを生成する。

算出部４３は、部分データとは別に、時間長Ｔの時系列データから、時刻ｔ_０からｔ_ｎまで、所定の時間間隔で時間長Ｘのデータを抽出する。具体的には、算出部４３は、図２３（ｂ）の矢印で表すように、時系列データから、時間長Ｘのデータを、時刻ｔ_０からｔ_ｎまで全体に亘って、例えば１フレームごとに抽出する。図２３（ｂ）では、抽出されるデータの一部の時間幅のみが矢印で表されている。以降では、図２３（ｂ）に表すステップによって抽出されたそれぞれの情報を、第１比較データと呼ぶ。

算出部４３は、図２３（ａ）に表すステップで抽出された部分データと、図２３（ｂ）に表すステップで抽出された各々の第１比較データと、の間の距離を順次計算する。算出部４３は、例えば、部分データと第１比較データとの間のＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）距離を算出する。ＤＴＷ距離を用いることで、繰り返される動きの時間の長短に拘わらず、相関の強度を求めることができる。この結果、それぞれの時刻における、部分データに対する時系列データの距離の情報が得られる。これを表したものが、図２３（ｃ）である。以降では、図２３（ｃ）に表す、各時刻における距離を含む情報を第１相関データと呼ぶ。

次に、算出部４３は、作業者Ｍによる作業時間の周期を推定するために、時系列データにおける仮類似点の設定を行う。具体的には、算出部４３は、図２３（ｃ）に表す第１相関データにおいて、時刻ｔ_０から時間μが経過した後の時刻を基準として、ばらつき時間Ｎの範囲内に複数の候補点α_１～α_ｍをランダムに設定する。図２３（ｃ）に表す例では、３つの候補点がランダムに設定されている。時間μおよびばらつき時間Ｎは、例えば、作業者又は管理者などによって予め設定される。

算出部４３は、ランダムに設定された候補点α_１～α_ｍのそれぞれにおいてピークを有する正規分布のデータを作成する。そして、それぞれの正規分布と、図２３（ｃ）に表す第１相関データと、の間の相互相関係数（第２相互相関係数）を求める。算出部４３は、相互相関係数が最も高い候補点を、仮類似点として設定する。例えば、図２３（ｃ）に表した候補点α_２が仮類似点に設定されるとする。

算出部４３は、仮類似点（候補点α_２）を基に、再度、時間μが経過した後の時刻を基準として、ばらつき時間Ｎの範囲内に複数の候補点α_１～α_ｍをランダムに設定する。このステップを、時刻ｔ_ｎまで繰り返し行うことで、図２３（ｄ）に表すように、時刻ｔ_０～ｔ_ｎの間に、複数の仮類似点β_１～β_ｋが設定される。

算出部４３は、図２４（ａ）に表すように、それぞれの仮類似点β_１～β_ｋにピークを有する複数の正規分布を含んだデータを作成する。以降では、図２４（ａ）に表す複数の正規分布を含む情報を第２比較データと呼ぶ。算出部４３は、図２３（ｃ）および図２３（ｄ）に表す第１相関データと、図２４（ａ）に表す第２比較データと、の間の相互相関係数（第１相互相関係数）を算出する。

算出部４３は、図２３（ａ）～図２４（ａ）と同様のステップを、図２４（ｂ）～図２４（ｄ）、図２５（ａ）、及び図２５（ｂ）に表すように、他の部分データに対して行う。図２４（ｂ）～図２５（ｂ）では、時刻ｔ１以降の情報のみを表している。

例えば、算出部４３は、図２４（ｂ）に表すように、時刻ｔ_１からｔ_２までの間の、時間長Ｘの部分データを抽出する。続いて、算出部４３は、図２４（ｃ）に表すように、時間長Ｘの複数の第１比較データを抽出する。算出部４３は、部分データと、それぞれの第１比較データと、の間の距離を計算することで、図２４（ｄ）に表すように、第１相関データを作成する。

算出部４３は、図２４（ｄ）に表すように、時刻ｔ_０から時間μが経過した後の時刻を基準として、複数の候補点α_１～α_ｍをランダムに設定し、仮類似点βを抽出する。これを繰り返すことで、図２５（ａ）に表すように、複数の仮類似点β_１～β_ｋが設定される。そして、算出部４３は、図２５（ｂ）に表すように、仮類似点β_１～β_ｋに基づく第２比較データを作成し、図２４（ｄ）および図２５（ａ）に表す第１相関データと、図２５（ｂ）に表す第２比較データと、の間の相互相関係数を算出する。

算出部４３は、上述したステップを、時刻ｔ２以降も繰り返すことで、それぞれの部分データについて相互相関係数を算出する。その後、算出部４３は、最も高い相互相関係数が得られた仮類似点β_１～β_ｋを、真の類似点として抽出する。算出部４３は、真の類似点同士の時間間隔を算出することで、作業者の第１作業の周期を得る。算出部４３は、例えば、時間軸上隣り合う真の類似点間の時間の平均を求め、この平均時間を第１作業の周期とすることができる。

ここでは、第２実施形態に係る分析システム２００により、作業者の第１作業の周期を分析する例について説明した。第２実施形態に係る分析システム２００の用途は、この例に限定されない。例えば、所定の動きを繰り返し行う人物に対して、その周期の分析に広く適用することが可能である。

図２６は、第２実施形態に係る分析システムによる処理を表すフローチャートである。
撮像装置５０は、人物を撮影し、画像を生成する（ステップＳ１１）。取得部４１は、画像を第１モデルに入力し（ステップＳ１２）、第１モデルの出力結果を取得する（ステップＳ１３）。推定部４２は、出力結果から人物の骨格情報を推定する（ステップＳ１４）。算出部４３は、骨格情報を用いて、身体部位に関する時系列データを生成する（ステップＳ１５）。算出部４３は、時系列データに基づき、人物の動きの周期を算出する（ステップＳ１６）。出力部４４は、算出された周期に基づく情報を外部へ出力する（ステップＳ１７）。

分析システム２００によれば、繰り返し実行される所定の動きの周期を自動で分析できる。例えば、製造現場においては、作業者の第１作業の周期を自動的に分析できる。このため、作業者自身による記録や申告、業務改善のための技術者による作業の観察や周期の計測などが不要となる。作業の周期を容易に分析することが可能となる。また、分析結果が、分析する者の経験や知識、判断などに依らないため、周期をより高精度に求めることが可能となる。

また、分析システム２００は、分析する際に、第１実施形態に係る学習システムによって学習された第１モデルを用いる。この第１モデルによれば、撮影された人物の各身体部位により高精度に印付けできる。従って、分析時に第１モデルを用いることで、より正確な骨格情報を得ることができる。その骨格情報に基づいて周期を算出することで、周期の精度を向上させることができる。

図２７は、システムのハードウェア構成を表すブロック図である。
例えば、第１実施形態に係る学習システム１００の処理装置１０は、コンピュータであり、ＲＯＭ(Read Only Memory)１０ａ、ＲＡＭ(Random Access Memory)１０ｂ、ＣＰＵ(Central Processing Unit)１０ｃ、およびＨＤＤ(Hard Disk Drive)１０ｄを有する。

ＲＯＭ１０ａは、コンピュータの動作を制御するプログラムを格納している。ＲＯＭ１０ａには、コンピュータを、上述した第１生成部１１、第２生成部１２、第３生成部１３、学習部１４などとして機能させるために必要なプログラムが格納されている。

ＲＡＭ１０ｂは、ＲＯＭ１０ａに格納されたプログラムが展開される記憶領域として機能する。ＣＰＵ１０ｃは、処理回路を含む。ＣＰＵ１０ｃは、ＲＯＭ１０ａに格納された制御プログラムを読み込み、当該制御プログラムに従ってコンピュータの動作を制御する。また、ＣＰＵ１０ｃは、コンピュータの動作によって得られた様々なデータをＲＡＭ１０ｂに展開する。ＨＤＤ１０ｄは、読み取りに必要な情報や、読み取りの過程で得られた情報を記憶する。ＨＤＤ１０ｄは、例えば、図１に表した記憶装置２０として機能する。

処理装置１０は、ＨＤＤ１０ｄに代えて、ｅＭＭＣ（embedded Multi Media Card）、ＳＳＤ（Solid State Drive）、ＳＳＨＤ（Solid State Hybrid Drive）などを有していても良い。

処理装置１０には、入力装置１０ｅ及び出力装置１０ｆが接続されても良い。入力装置１０ｅは、処理装置１０へユーザが情報を入力するために用いられる。入力装置１０ｅは、マウス、キーボード、マイク（音声入力）、及びタッチパッドの少なくともいずれかを含む。出力装置１０ｆには、処理装置１０から送信された情報が出力される。出力装置１０ｆは、モニタ、スピーカ、プリンタ、及びプロジェクタの少なくともいずれかを含む。タッチパネルのように、入力装置１０ｅと出力装置１０ｆの両方の機能を備えた機器が用いられても良い。

また、学習システム１１０における処理装置３２、分析システム２００における処理装置４０についても、図２７と同様のハードウェア構成を適用できる。又は、学習システム１１０において、１つのコンピュータが処理装置１０及び３２として機能しても良い。分析システム２００において、１つのコンピュータが処理装置１０及び４０として機能しても良い。学習システムと分析システムを組み合わせて実施する場合には、１つのコンピュータが処理装置１０、３２、及び４０として機能しても良い。又は、処理装置１０、３２、及び４０のそれぞれの処理及び機能は、より多くのコンピュータによって協働して実現されても良い。

以上で説明した実施形態に係る学習システム及び学習方法を用いることで、学習データの用意に要する手間を削減できるとともに、第１モデルによる印付けの精度を向上させることができる。また、コンピュータ（処理装置）を、学習システムとして動作させるためのプログラムを用いることで、同様の効果を得ることができる。
また、以上で説明した実施形態に係る分析システム及び分析方法を用いることで、人物の動きの周期をより高精度に求めることができる。コンピュータ（処理装置）を、分析システムとして動作させるためのプログラムを用いることで、同様の効果を得ることができる。

上記の種々のデータの処理は、コンピュータに実行させることのできるプログラムとして、磁気ディスク（フレキシブルディスク及びハードディスクなど）、光ディスク（ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ、ＤＶＤ－ＲＯＭ、ＤＶＤ±Ｒ、ＤＶＤ±ＲＷなど）、半導体メモリ、または、他の記録媒体に記録されても良い。

例えば、記録媒体に記録された情報は、コンピュータ（または組み込みシステム）により読み出されることが可能である。記録媒体において、記録形式（記憶形式）は任意である。例えば、コンピュータは、記録媒体からプログラムを読み出し、このプログラムに基づいてプログラムに記述されている指示をＣＰＵで実行させる。コンピュータにおいて、プログラムの取得（または読み出し）は、ネットワークを通じて行われても良い。

以上、本発明のいくつかの実施形態を例示したが、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、変更などを行うことができる。これら実施形態やその変形例は、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。また、前述の各実施形態は、相互に組み合わせて実施することができる。

１０ 処理装置、 １１ 第１生成部、 １２ 第２生成部、 １３ 第３生成部、 １４ 学習部、 ２０ 記憶装置、 ３１ 検出器、 ３２ 処理装置、 ４０ 処理装置、 ４１ 取得部、 ４２ 推定部、 ４３ 算出部、 ４４ 出力部、 ５０ 撮像装置、 ６０ 出力装置、 ９１ 人体モデル、 ９２ 台、 ９３ 物品、 ９４ａ 床、 ９４ｂ 壁、 ９５ａ，９５ｂ 図形、 ９６ 人物、 １００，１１０ 学習システム、 ２００ 分析システム、 ９００ ニューラルネットワーク、 ＣＧ 重心、 Ｍ 作業者

Claims (24)

1. 人体を模した３次元の仮想の人体モデルを用いて第１画像を生成する第１生成部と、
   前記第１画像中の前記人体モデルのそれぞれの身体部位に印付けした教師画像を生成する第２生成部と、
   前記第１画像の横方向の画素数及び縦方向の画素数を取得し、前記横方向の縁から所定の範囲内及び前記縦方向の縁から所定の範囲内において、画素を欠損させる第１処理、
   前記人体モデルを用いて前記第１画像が生成された際の前記人体モデルの輪郭を示す情報を取得し、前記人体モデルの輪郭に沿って画素を欠損させる第２処理、及び
   前記第１画像に、予め設定された形、幅、高さ、及び数の図形を加える第４処理、
   から選択される少なくとも１つを前記第１画像に実行することで、ノイズを含む第２画像を生成する第３生成部と、
   前記第２画像及び前記教師画像を用いて、画像に写る人物の身体部位に印付けを行うように第１モデルを学習させる学習部と、
   を備えた学習システム。
2. 前記第３生成部は、前記第１処理、前記第２処理、前記第１画像の画素値にばらつきを加える第３処理、前記第４処理、及び前記第１画像に含まれる前記人体モデルの周囲に、実空間を写した画像を合成する第５処理から選択される少なくとも２つを前記第１画像に実行することで、前記第２画像を生成する請求項１記載の学習システム。
3. 人体を模した３次元の仮想の人体モデルを用いて、所定の方向から前記人体モデルを見たときの第１画像を生成し、前記第１画像は前記人体モデルの一部が見切れて写らないように生成される、第１生成部と、
   前記第１画像中の前記人体モデルのそれぞれの身体部位に印付けした教師画像を生成する第２生成部と、
   前記第１画像及び前記教師画像を用いて、画像に写る人物の各身体部位に印付けを行うように第１モデルを学習させる学習部と、
   を備えた学習システム。
4. 前記第１モデルは、ニューラルネットワークを含み、
   前記ニューラルネットワークは、
   入力画像を縮小し、特徴量マップを出力する第１ブロックと、
   前記第１ブロックから出力された前記特徴量マップが入力される第１残差ブロックと、
   前記第１残差ブロックから出力された特徴量マップが入力され、入力された前記特徴量マップ及び前記第１残差ブロックから出力された前記特徴量マップと同じサイズの特徴量マップを出力する第２残差ブロックと、
   前記第１残差ブロックから出力された前記特徴量マップと前記第２残差ブロックから出力された前記特徴量マップが入力される第２ブロックと、
   前記第１ブロックから出力された前記特徴量マップと前記第２ブロックから出力された特徴量マップが入力される第３ブロックと
   前記第３ブロックから出力された特徴量マップを拡大して出力画像を出力する第４ブロックと、
   を含む、請求項１～３のいずれか１つに記載の学習システム。
5. 前記第１画像は、深度情報を含む請求項１～４のいずれか１つに記載の学習システム。
6. 人体を模した３次元の仮想の人体モデルを用いて、前記人体モデルの各点の深度情報を含む第１画像を生成する第１生成部と、
   前記人体モデルのそれぞれの身体部位の３次元上の重心を算出し、前記第１画像中の前記人体モデルのそれぞれの前記身体部位に重心を印付けした教師画像を生成する第２生成部と、
   前記第１画像にノイズを加えた第２画像を生成する第３生成部と、
   前記第２画像及び前記教師画像を用いて第１モデルを学習させる学習部と、
   を備えた学習システム。
7. 前記第１生成部は、
   前記人体モデルのそれぞれの前記身体部位の位置を、実空間上の人物のそれぞれの身体部位の位置を示す位置データに合わせて設定し、
   それぞれの前記身体部位の位置を設定した前記人体モデルを用いて前記第１画像を生成する、
   請求項１～６のいずれか１つに記載の学習システム。
8. 前記第１画像は、上方から写された前記人体モデルを含む請求項１～７のいずれか１つに記載の学習システム。
9. 前記第１生成部は、実空間における環境を模した環境モデルをさらに用いて前記第１画像を生成する請求項１～８のいずれか１つに記載の学習システム。
10. 請求項１～９のいずれか１つに記載の学習システムによって学習された前記第１モデルに、実空間上の第１人物を写した入力画像を入力し、前記第１人物の各身体部位が印付けされた出力画像を取得する取得部と、
    前記第１人物の各骨格の位置を示す骨格情報を前記出力画像に基づいて推定する推定部と、
    を備えた分析システム。
11. 算出部をさらに備え、
    前記取得部は、第１作業における前記第１人物の動きを示す複数の前記入力画像を前記第１モデルに入力することで、複数の前記出力画像を取得し、
    前記算出部は、前記複数の出力画像に基づく複数の骨格情報を用いて、時間の経過に伴う前記身体部位の動きを示す時系列データを生成し、前記時系列データに基づき、前記第１人物による動きの周期を算出する請求項１０記載の分析システム。
12. 人体を模した３次元の仮想の人体モデルを用いて第１画像を生成し、
    前記第１画像中の前記人体モデルのそれぞれの身体部位に印付けした教師画像を生成し、
    前記第１画像の横方向の画素数及び縦方向の画素数を取得し、前記横方向の縁から所定の範囲内及び前記縦方向の縁から所定の範囲内において、画素を欠損させる第１処理、
    前記人体モデルを用いて前記第１画像が生成された際の前記人体モデルの輪郭を示す情報を取得し、前記人体モデルの輪郭に沿って画素を欠損させる第２処理、及び
    前記第１画像に、予め設定された形、幅、高さ、及び数の図形を加える第４処理、
    から選択される少なくとも１つを前記第１画像に実行することで、ノイズを含む第２画像を生成し、
    前記第２画像及び前記教師画像を用いて、画像に写る人物の身体部位に印付けを行うように第１モデルを学習させる学習方法。
13. 人体を模した３次元の仮想の人体モデルを用いて、前記人体モデルの各点の深度情報を含む第１画像を生成し、
    前記人体モデルのそれぞれの身体部位の３次元上の重心を算出し、前記第１画像中の前記人体モデルのそれぞれの前記身体部位に重心を印付けした教師画像を生成し、
    前記第１画像にノイズを加えた第２画像を生成し、
    前記第２画像及び前記教師画像を用いて第１モデルを学習させる学習方法。
14. 人体を模した３次元の仮想の人体モデルを用いて、所定の方向から前記人体モデルを見たときの第１画像を生成し、前記第１画像は前記人体モデルの一部が見切れて写らないように生成され、
    前記第１画像中の前記人体モデルのそれぞれの身体部位に印付けした教師画像を生成し、
    前記第１画像及び前記教師画像を用いて、画像に写る人物の各身体部位に印付けを行うように第１モデルを学習させる学習方法。
15. 前記人体モデルのそれぞれの前記身体部位の位置を、実空間上の人物のそれぞれの身体部位の位置を示す位置データに合わせて設定し、
    それぞれの前記身体部位の位置を設定した前記人体モデルを用いて前記第１画像を生成する請求項１２～１４のいずれか１つに記載の学習方法。
16. 実空間における環境を模した環境モデルをさらに用いて前記第１画像を生成する請求項１２～１５のいずれか１つに記載の学習方法。
17. 請求項１２～１６のいずれか１つに記載の学習方法によって学習された前記第１モデルに、実空間上の第１人物を写した入力画像を入力し、前記第１人物の各身体部位が印付けされた出力画像を取得し、
    前記第１人物の各骨格の位置を示す骨格情報を前記出力画像に基づいて推定する分析方法。
18. コンピュータに、
    人体を模した３次元の仮想の人体モデルを用いて第１画像を生成させ、
    前記第１画像中の前記人体モデルのそれぞれの身体部位に印付けした教師画像を生成させ、
    前記第１画像の横方向の画素数及び縦方向の画素数を取得し、前記横方向の縁から所定の範囲内及び前記縦方向の縁から所定の範囲内において、画素を欠損させる第１処理、
    前記人体モデルを用いて前記第１画像が生成された際の前記人体モデルの輪郭を示す情報を取得し、前記人体モデルの輪郭に沿って画素を欠損させる第２処理、及び
    前記第１画像に、予め設定された形、幅、高さ、及び数の図形を加える第４処理、
    から選択される少なくとも１つを前記第１画像に実行させることで、ノイズを含む第２画像を生成させ、
    前記第２画像及び前記教師画像を用いて、画像に写る人物の身体部位に印付けを行うように第１モデルを学習させる、
    プログラム。
19. コンピュータに、
    人体を模した３次元の仮想の人体モデルを用いて、前記人体モデルの各点の深度情報を含む第１画像を生成させ、
    前記人体モデルのそれぞれの身体部位の３次元上の重心を算出し、前記第１画像中の前記人体モデルのそれぞれの前記身体部位に重心を印付けした教師画像を生成させ、
    前記第１画像にノイズを加えた第２画像を生成させ、
    前記第２画像及び前記教師画像を用いて第１モデルを学習させる、
    プログラム。
20. 前記コンピュータに、
    前記人体モデルのそれぞれの前記身体部位の位置を、実空間上の人物のそれぞれの身体部位の位置を示す位置データに合わせて設定させ、
    それぞれの前記身体部位の位置を設定した前記人体モデルを用いて前記第１画像を生成させる、
    請求項１８又は１９に記載のプログラム。
21. 前記コンピュータに、実空間における環境を模した環境モデルをさらに用いて前記第１画像を生成させる請求項１８～２０のいずれか１つに記載のプログラム。
22. 前記コンピュータに、
    学習済みの前記第１モデルに、実空間上の第１人物を写した入力画像を入力させて、前記第１人物の各身体部位が印付けされた出力画像を取得させ、
    前記第１人物の各骨格の位置を示す骨格情報を前記出力画像に基づいて推定させる
    請求項１８～２１のいずれか１つに記載のプログラム。
23. 前記コンピュータに、
    第１作業における前記第１人物の動きを示す複数の前記入力画像を前記第１モデルに入力することで、複数の前記出力画像を取得させ、
    前記複数の出力画像から複数の前記骨格情報をそれぞれ推定させ、
    前記複数の骨格情報を用いて、時間の経過に伴う前記身体部位の動きを示す時系列データを生成させ、
    前記時系列データに基づき、前記第１人物による動きの周期を算出させる、
    請求項２２記載のプログラム。
24. 請求項１８～２３のいずれか１つに記載のプログラムを記憶した記憶媒体。

Images