信息識別裝置、信息識別方法、信息識別程序以及警報系統的制作方法

專利名稱：信息識別裝置、信息識別方法、信息識別程序以及警報系統的制作方法
技術領域：
本發明涉及有關使用了熱輻射線傳感器的信息處理，特別是可以根據針對被檢測體的熱輻射線傳感器的輸出，以及使用規定模型化方法的、與事先準備的分別與多個對象的動作模式(pattern)相對應的動作模式(pattern)模型，來識別有關被檢測體的規定信息的信息識別裝置、信息識別方法和信息識別程序、以及具有信息識別裝置的警報系統。
背景技術：
以往，作為使用熱電型紅外線傳感器等人體檢測單元來判別人體的移動方向的技術，有專利文獻1記載的人體移動方向判別裝置。
這在具有多個人體檢測范圍的2個人體檢測單元中的一個在多個人體檢測范圍內連續檢測人體時，通過2個人體檢測單元的哪一個利用人體移動方向判別單元檢測到人體，從而判斷人體的移動方向，并接收該判別輸出，并由報告單元進行與判別出的人體移動方向相對應的報告。進一步，2個人體檢測單元中的一個在多個人體檢測范圍內連續檢測人體時，利用第1檢測控制單元使另一方人體檢測單元的檢測輸出在一定時間無效，并在2個人體檢測單元中的一方僅僅在多個人體檢測范圍中的1個人體檢測范圍內檢測到人體時，利用第2檢測控制單元使另一方人體檢測單元的檢測輸出無效。由此，可以迅速且正確地報告在人體檢測范圍內所檢測到的人體的移動方向。
另外，以往，存在利用可檢測人體的傳感器來檢測人已經入侵到警備目標的建筑物內的情況，并將該檢測結果通知給警備員這樣的防范系統。在這種防范系統中，接受到通知的警備員大多執行急忙趕往現場等對策。
專利文獻1專利2766820號公報但是，在上述專利文獻1的已有技術中，由于在檢測范圍內，僅僅根據2個人體檢測單元是否檢測到人體來執行判斷處理等各種處理，因此，只能執行人體的移動方向這類簡單的移動內容的判斷。
另外，正如被稱做人體檢測單元那樣，是將檢測對象僅僅限制為人體，因此，在貓或狗等動物橫穿的情況下，恐怕也會執行動作，并且，像動物等侵入到建筑物內等情況下，也不能判斷被檢測體的種類或人之外的移動。由于這一點在上述已有的防范系統中也可以這麼說，因此，人體檢測用的傳感器不進行人與貓狗等動物的判別，既便在動物侵入到建筑物內的情況下，也會判別為人侵入了建筑物，從而向警備員錯誤地發出通知，因此，會產生對于動物侵入，警備員也趕往現場這種無用勞力的問題。
另一方面，本發明的發明人使用熱電型紅外線傳感器，在該傳感器的檢測范圍內，檢測出執行同一移動的多個被檢測體放出的熱輻射線的結果，發現在被檢測體的每個種類(人、動物、性別等)、相同被檢測體中各個人(例如，若是人，則A君、B君等)等中，在熱電型紅外線傳感器的輸出上存在個體差異。
因此，本發明是著眼于上述已有技術中所具有的未解決的問題，且上述熱電型紅外線傳感器的輸出特性而作出的，其目的在于提供一種信息識別裝置、信息識別方法、信息識別程序以及具備該信息識別裝置的防范系統，是根據熱輻射線檢測單元針對存在于檢測范圍內的被檢測體的輸出，以及使用規定模型化單元預先準備的、分別與對應于多個對象的動作模式的熱輻射線傳感器的輸出相對應的動作模式模型，來識別有關被檢測體的規定信息。

發明內容
為了實現上述目的，本發明技術方案1所述的的信息識別裝置，其特征在于，它具有熱輻射線檢測單元，利用熱輻射線傳感器，對從存在于檢測范圍內的被檢測體放出的熱輻射線執行檢測；動作模式模型存儲單元，存儲按照規定的模型化方法對與被檢測體的動作模式相對應的所述熱輻射線傳感器的輸出預先執行模型化而成的動作模式模型；以及，信息識別單元，根據所述熱輻射線檢測單元的檢測結果、以及存儲在所述動作模式模型存儲單元內的所述動作模式模型，來識別與存在于所述檢測范圍內的所述被檢測體有關的規定信息。
根據這種結構，利用熱輻射線檢測單元，借助于熱輻射線傳感器，可檢測出從存在于檢測范圍內的被檢測體放出的熱輻射線；利用動作模式模型存儲單元，可存儲按照規定的模塊化方法對與被檢測體的動作模式相應的所述熱輻射線傳感器的輸出預先執行模型化而成的動作模式模型；利用信息識別單元，根據所述熱輻射線檢測單元的檢測結果、以及存儲在所述動作模式模型存儲單元內的所述動作模式模型，可以識別有關存在于所述檢測范圍內的所述被檢測體的規定信息。
因此，由于根據熱輻射線傳感器的檢測結果和動作模式模型來識別被檢測體的規定信息，所以，可以識別被檢測體的復雜的行動模式、被檢測體的屬性等各種信息。
這里，所謂被檢測體如果是放出熱輻射線的東西，則人、人以外的動物或蟲等生物、非生物等任何都包含在內。
另外，所謂熱輻射線傳感器只要是檢測從被檢測體放出的熱就都可以，例如，若是檢測從被檢測體放出的紅外線的紅外線傳感器，則存在利用光電動勢效果或光導電效果的量子型傳感器、或者是利用了熱電動勢效果、熱電效果或熱導電效果的熱型傳感器等。
另外，規定的模型化方法例如有公知的HMM和神經網絡等模塊化方法。
另外，所謂有關被檢測體的規定信息，是檢測范圍內的被檢測體的動作內容、被檢測體的屬性(性別、動物、蟲等)等信息。
有關技術方案2的發明，其特征在于，在技術方案1所述的信息識別裝置中，在所述動作模式模型存儲單元內，存儲了與多種動作模式分別對應的多個動作模式模型。
即，由于能夠根據分別與多種操作模式相對應的多個動作模式模型以及檢測結果來執行識別處理，因此，可以識別檢測范圍內的被檢測體的各種信息。
另外，有關技術方案3的發明，其特征在于，在技術方案1或技術方案2所述的信息識別裝置中，具有動作模式模型生成單元，根據所述熱輻射線傳感器的輸出，利用所述規定的模型化方法，來生成所述被檢測體的所述動作模式模型。
即，可以利用動作模式模型生成單元，根據熱輻射線傳感器的輸出，通過所述規定的模型化方法來生成所述被檢測體的所述動作模式模型。
因此，容易追加新動作模式模型，另外，由于能夠根據提供的條件生成動作模式模型，因此，對于由于識別內容的變更等引起的動作模式模型的變更等情況，可以靈活地應對。
另外，有關技術方案4的發明，其特征在于在技術方案1至技術方案3中任意一項所述的信息識別裝置中，所述熱輻射線傳感器是熱型傳感器。
即，熱輻射線傳感器是由使用了熱電元件等利用了熱電動勢效果的傳感器、使用了PZT(鋯鈦酸鉛)、LiTaO3(鉭酸鋰)等利用了熱電效果的傳感器、使用了熱敏電阻、輻射熱測量計等使用了熱電偶效果的傳感器等熱型傳感器構成。
另外，有關技術方案5的發明，其特征在于，在技術方案1到技術方案3中任意一項所述的信息識別裝置中，所述熱輻射線傳感器是量子型傳感器。
即，熱輻射線傳感器由使用了光二極管、光晶體管、光IC、太陽能電池等使用了光電動勢效果的傳感器、使用了CdS單元、CdSe單元、PdS單元等利用了光電導效果的傳感器、使用了光電管、光電倍增管等利用了光電子發射效果的傳感器等量子型傳感器構成。
另外，有關技術方案6的發明，其特征在于，在技術方案4所述的信息識別裝置中，所述熱型傳感器是利用熱電效果來檢測從所述被檢測體放出的紅外線的熱電型紅外線傳感器。
即，由于將熱電型紅外線傳感器用作熱輻射線傳感器，因此，能夠容易地檢測位于檢測范圍內的移動體。
另外，有關技術方案7的發明，其特征在于，在技術方案1到技術方案6中任意一項所述的信息識別裝置中，所述規定的模型化方法是隱馬爾可夫模型HMM(Hidden Markov Model)。
即，由于因使用作為時間序列信號的概率模型的HMM來對動作模式執行模型化，既便是非穩定的時間序列信號也可容易地執行模型化，因此，能夠可靠地對被檢測體的動作模式執行模型化。
另外，有關技術方案8的發明，其特征在于，在技術方案1到技術方案7中任意一項所述的信息識別裝置中，所述規定信息包含所述被檢測體的行動內容、所述被檢測體的移動速度以及所述被檢測體的大小中的至少一個。
即，由于熱輻射線傳感器的輸出隨被檢測體的行動內容、移動速度、大小等而發生變化，因此，通過預先生成、準備與這些信息相對應的動作模式模型，可以識別被檢測體的行動內容、移動速度、大小等。
另外，在此，所謂被檢測體的行動內容，如果被檢測體是人，則例如是向某方向移動、手或腳等身體中的一部分的動作(打手勢等)等。
另外，所謂大小是針對被檢測體的高度、寬度、長度、表面積、體積等的大小，但這并不限于被檢測體全體，也可以包含針對被檢測體的一部分的大小。
另外，有關技術方案9的發明，其特征在于，在技術方案1到技術方案8中任意一項所述的信息識別裝置中，所述規定信息包含所述被檢測體的屬性信息。
即，信息識別單元可以識別檢測范圍內的被檢測體的屬性信息。
這里，所謂屬性，例如從大局上來看，為人、人以外的動物(哺乳類)、蟲等輻射出熱的生物及由車、摩托車、窗簾、日光、燈(light)、空調等產生的熱風和冷風等熱的非生物等的種類信息。
窗簾的晃動、樹枝或葉的晃動等不輻射熱的非生物的種類的信息也包含在屬性信息內。識別這種不輻射熱的非生物的規定信息，可以通過與輻射熱的相組合來執行。例如，可進行如下利用，在以窗簾為邊界，一側有熱輻射線傳感器，另一側有熱源的情況下，在熱源覆蓋在窗簾上時，從熱源放射出的熱不被傳感器所檢測，窗簾晃動，曬到了熱源時，從熱源輻射出的熱被傳感器檢測到。通過將這種檢測結果和動作模式相比較，例如，這可以判斷是窗簾的晃動，還是人侵入到建筑物內。
另一方面，局部地說，若是人，則是男性、女性、大人、孩子等種類信息，若是動物，則是狗、貓、老鼠、鳥等種類信息，若是蟲子，則是蝶、蜘蛛、蝗蟲、兜蟲、鍬形蟲等種類信息，還有，與這些種類相對的特有信息。另外，既便就人以外的生物而言，也可以在這些種類中進行與上述的人相同的種類劃分。
并且，在將屬性信息作為特有信息的情況下，若是人則可執行個人的識別，若是蟲或動物，則可執行個體的識別。
另外，有關技術方案10的發明，其特征在于，在技術方案1至技術方案9中任意一項所述的信息識別裝置中，所述信息識別單元從所述熱輻射線檢測單元的檢測結果中提取出特征量數據，并根據該特征量數據和存儲在所述動作模式模型存儲單元內的所述動作模式模型，來計算所述特征量數據和所述動作模式模型的似然，然后根據該計算出的似然來識別與所述被檢測體有關的規定信息。
即，由于計算出特征量數據和所述動作模式模型的似然，并根據該結果來識別有關被檢測體的規定信息，因此，可簡易地識別規定信息。
另外，有關技術方案11的發明，其特征在于，在技術方案10所述的信息識別裝置中，所述特征量數據包含由所述熱輻射線檢測單元的檢測結果的幀單位的譜構成的第1特征量數據、以及由所述幀單位的譜的平均振幅值構成的第2特征量數據。
即，由于對于由檢測結果的幀單位的譜構成的第1特征量數據、和由該幀單位的譜的平均振幅值構成的第2特征量數據，計算出它們與所述動作模式模型的似然，并根據該計算出的結果來識別有關被檢測體的規定信息，因此，可以提高規定信息的識別精度。
另外，有關技術方案12的發明，其特征在于，在技術方案11所述的信息識別裝置中，所述第1特征量數據是將所述幀單位的譜的值轉換為常用對數值后的數據。
即，由于使用將所述幀單位的譜值轉換為常用對數值的數據來作為第1特征量數據，因此，若譜值不滿1，則其分散范圍變寬，若為1或1以上，則其分散范圍變窄。由此，利用條件可以進一步提高規定信息的識別精度。
另外，有關技術方案13的發明，其特征在于，在技術方案11或技術方案12所述的信息識別裝置中，所述特征量數據還包含第3特征量數據，該第3特征量數據由所選幀的所述第1特征量數據所示的特征量與所選幀的前1幀的所述第1特征量數據所示的特征量的差分構成。
即，由于除第1和第2特征量數據之外，還使用了由所選幀的所述第1特征量數據所示的特征量與該所選幀的前1幀的所述第1特征量數據所示的特征量的差分構成的第3特征量數據，來執行規定信息的識別，由此可以進一步提高規定信息的識別精度。
另外，有關由于技術方案14的發明，其特征在于，在技術方案13所述的信息識別裝置中，所述特征量數據還包含第4特征量數據，該第4特征量數據由所選幀的所述第2特征量數據所示的特征量與所選幀的前1幀的所述第2特征量數據所示的特征量的差分構成。
即，由于除第1-第3特征量數據之外，還使用了第4特征量數據來執行規定信息的識別，由此可進一步提高規定信息的識別精度。其中，第4特征量數據是由所選幀的所述第2特征量數據所示的特征量、與該所選幀的前1幀的所述第2特征量數據所示的特征量的差分構成。
另外，有關技術方案15的發明，其特征在于，在技術方案1到技術方案14中任意一項所述的信息識別裝置中，在所述動作模式模型由4元以上的高次元的所述特征量數據構成時，具有特征量數據顯示單元，將與存儲在所述動作模式模型存儲單元內的各動作模式模型相對應的所述特征量數據顯示為2維或3維空間上的座標點；以及檢測結果顯示單元，在顯示了所述特征量數據的座標點的空間上，顯示與所述熱輻射線檢測單元的檢測結果相對應的座標點。
即，所述動作模式模型在由4維和4維以上的高維的特征量數據構成時，可以利用特征量數據顯示單元，將與存儲在所述動作模式模型存儲單元內的各動作模式模型相對應的特征量數據顯示為2維或3維空間上的座標點，并可利用檢測結果顯示單元，在顯示了所述特征量數據的座標點的空間上，顯示與所述熱輻射線檢測單元的檢測結果相對應的座標點。
因此，使檢測結果與同其他多個被檢測體的動作模式相對應的特征量數據相對比，可以在視覺上捕捉到它，從而可以利用視覺來識別規定信息等。
另外，有關本發明的技術方案16記載的信息識別方法，其特征在于利用熱輻射線傳感器來檢測從存在于檢測范圍內的被檢測體放出的熱輻射線；準備根據規定的模型化方法、對與多個被檢測體的多種動作模式分別對應的所述熱輻射線傳感器的輸出預先執行模型化而成的動作模式模型；以及根據所述熱輻射線傳感器的檢測結果和所述動作模式模型，來識別與存在于所述檢測范圍內的所述被檢測體有關的規定信息。
這里，本發明可以利用技術方案1所記載的信息識別裝置等來實現，由于其效果重復，因此省略其記載。
另外，有關本發明的技術方案17所述的信息識別程序，其特征在于，具有熱輻射線檢測步驟，利用熱輻射傳感器來檢測從存在于檢測范圍內的被檢測體放出的熱輻射線；動作模式模型存儲步驟，存儲根據規定的模型化方法、對與多個被檢測體的多種動作模式分別對應的所述熱輻射線傳感器的輸出預先執行模型化而成的動作模式模型；以及信息識別步驟，根據由所述熱輻射線檢測步驟所得到的檢測結果、以及在所述動作模式模型存儲步驟中所存儲的所述動作模式模型，來識別與存在于所述檢測范圍內的所述被檢測體有關的規定信息。
這里，本發明是可應用于技術方案1所記載的信息識別裝置的程序，由于其效果重復，因此，省略其記載。
另一方面，為達到上述目的，技術方案18所述的警報系統，其特征在于，其具有如權利要求1至權利要求15中任意一項所述的信息識別裝置；判斷單元，根據所述信息識別裝置的識別結果來判斷所述被檢測體是否是人；以及警報單元，在利用所述判斷單元判斷出所述被檢測體是人時發出警報。
根據這種結構，可利用判斷單元，根據信息識別裝置的識別結果來判斷所述被檢測體是否是人，在由警報單元判斷出被檢測體是人體時，可以發出報警。
因此，由于根據可識別被檢測體的復雜的行動模式、被檢測體的屬性等各種信息的信息識別裝置的識別結果，來判斷人和人以外的動物等，因此，在將本系統應用到建筑物的警備上的情況下，可以降低將進入建筑物內的人之外的動物等的侵入誤判為人侵入而發出警報的情況。
這里，上述所謂“發出警報”包含或是從揚聲器等發出基于語音的警告消息，或是從揚聲器連續輸出峰鳴聲等特殊聲音等的、作為對侵入者發出威嚇或警告的警報，以及，利用語音和畫面顯示等向系統使用者直接通知人侵入到建筑物內這種針對危險向系統使用者發出的警報。另外，所謂針對侵入者的警報、以及針對系統使用者的警報，既可以包含這兩者而構成，也可以包含任何一方而構成。


圖1是表示關于本發明信息識別裝置的結構的方框圖。
圖2(a)是表示信息識別裝置1的設置位置的圖，圖2(b)是表示熱電型紅外線傳感器10a的檢測范圍的圖，圖2(c)是表示檢測對象的動作模式的圖。
圖3是表示熱電型紅外線傳感器10a的輸出波形和動作模式模型的關系圖。
圖4是表示紅外線檢測部10的動作處理的流程圖。
圖5是表示動作模式模型生成部11的動作處理的流程圖。
圖6是表示識別處理部13的動作處理中的流程圖。
圖7是表示實施例中動作方向的識別結果的圖。
圖8是表示將檢測范圍20細分為小范圍的一個例圖。
圖9(a)和9(b)是表示在識別時作為被檢測體的狗的信息的圖。
圖10(a)是表示人(區分大人和孩子)與狗(區分大型犬和小型犬)的識別結果的圖，圖10(b)是表示人(不區分大人和孩子)與狗(不區分大型犬和小型犬)的識別結果的圖。
圖11是表示第3實施例中的動作方向的識別結果的圖。
圖12(a)和(b)是表示第4實施例中動作方向的識別結果的圖。
圖13是表示二維投影后的動作模式模型的顯示例的圖。
圖14是表示二維投影部14的動作處理的流程圖。
圖15是表示關于本發明第4實施方式的警報系統的結構的方框圖。
圖16是表示發報控制部50的動作處理的流程圖。
具體實施例方式
(第1實施方式)以下，將根據附圖來說明本發明的第1實施方式。圖1-圖6是表示有關本發明的信息識別裝置的第1實施方式的圖。
首先，根據圖1來說明有關本發明第1實施方式的信息識別裝置的結構。圖1是表示有關本發明第1實施方式的信息識別裝置的結構的方框圖。
如圖1所示，信息識別裝置1具有包含紅外線檢測部10、動作模式模型生成部11、動作模式模型存儲部12、以及識別處理部13的結構。
紅外線檢測部10具有包含熱電型紅外線傳感器10a以及信號處理部10b的結構。
熱電型紅外線傳感器10a是可利用熱電效果，來檢測從存在于檢測范圍內的被檢測體放出的紅外線的傳感器。
信號處理部10b具有以下功能針對從熱電型紅外線傳感器10a輸出的檢測結果的模擬信號，執行采樣、FFT(快速傅利葉變換)等信號處理，然后計算出檢測結果的特征量數據。
動作模式模型生成部11具有以下功能使用HMM，對從紅外線檢測部10獲取到的特征量數據執行模型化，生成動作模式模型。
動作模式模型存儲部12具有以下功能對上述生成的動作模式模型執行存儲。
識別處理部13具有以下功能根據動作模式模型存儲部12的存儲內容、以及從紅外線檢測部10獲取到的紅外線檢測結果的特征量數據，來識別存在于熱電型紅外線傳感器10a的檢測范圍內的被檢測體的動作模式信息以及屬性信息。
這里在本實施方式中，信息識別裝置1具有圖中未示出的處理器、RAM(隨機存取存儲器)、以及存儲了專用程序的存儲介質。通過利用處理器來執行專用程序，從而執行上述各部的控制。
所謂存儲介質是RAM、ROM等半導體存儲介質、FD、HD等磁存儲型存儲介質，CD、CDV、LD、DVD等光學讀取方式存儲介質、MO等磁存儲型/光學讀取方式存儲介質，不論是電子、磁、光學等讀取方法的哪一種，只要是計算機可讀取的存儲介質，就包含該所有的存儲介質。
另外，根據圖2-圖5來說明信息識別裝置1的更具體的動作。圖2(a)是表示信息識別裝置1的設置位置的圖，(b)是表示熱電型紅外線傳感器10a的檢測范圍的圖，(c)是表示檢測對象的動作模式的圖，圖3是表示熱電型紅外線傳感器10a的輸出波形和動作模式模型的關系的圖。
首先，如圖2(a)所示，將信息識別裝置1設置為將作為其組件的熱電型紅外線傳感器10a安裝在室內等天棚上，檢測從在該檢測范圍20內通過的被檢測體放出的紅外線。然后，根據從在檢測范圍內通過的被檢測體所檢測到的紅外線的檢測結果，來識別該被檢測體的動作模式和屬性。
進而，在本實施方式中，熱電型紅外線傳感器10a使用了將在4個熱電元件用16面的菲涅耳透鏡進行投影，從而擴大檢測范圍的物品。該檢測范圍20如圖2(b)所示，將橫軸設為x軸，將縱軸設為y軸，形成x方向約6m，y方向約7m的范圍。即，如圖2(b)所示，能夠檢測到來自通過位于所述范圍內的多個檢測地帶的任何一個的被檢測體的紅外線。
進而，在本實施方式中，作為被檢測體的動作模式，我們考慮以下情況如圖2(c)所示，在(1)-(8)的各方向上，在被檢測體從檢測范圍20之外走路通過該檢測范圍20。
這里，在本實施方式中，預先請多個被檢測體(在本實施方式中是人)執行上述8個動作模式的行動(例如，請同一人平均執行5次各行動)，在信號處理部10b中，對來自從這些動作模式的行動得到的熱電型紅外線傳感器10a的檢測結果執行信號處理，計算出特征量數據，通過動作模式模型生成部12，利用HMM對與各動作模式相對應的特征量數據執行模型化。
另外，在本實施方式中，在信號處理部10b上，如圖3所示，以100[ms]的間隔，對來自熱電型紅外線傳感器10a的數據時間長為10[s]的模擬輸出信號30執行采樣，進而，通過對這些采樣數據執行A/D轉換，從而將該模擬輸出信號30轉換為數字數據。然后，將該100[ms]間隔的采樣數據分割為以1.6[s]為單位的多個幀31。然后，針對以各幀31為單位的采樣數據執行FFT，將這些采樣數據展開為傅利葉級數，計算出各高次諧波的譜(圖3中的譜32)。另外，在各幀31中，分別對應16個采樣數據，幀間的重疊設為12個采樣數據。另外，在本實施方式中，將各幀31的上述譜32的前8個設為第1特征量數據，進一步對每一個幀計算出平均振幅電平，并將其設為第2特征量數據。
另外，在本實施方式中，動作模式模型生成部11從紅外線檢測部10獲取第1和第2特征量數據，并使用這些特征量數據，作成圖3所示的HMM33。
這里，HMM33將第1特征量數據設定第1參數，將第2特征量數據設為第2參數。之后，將內部狀態數設定S1-S55個狀態，并使用單一的高斯分布(single Gaussian)作為各參數的概率分布。進而，在HMM3的學習中，使用針對各屬性的各動作模式每一個各執行了5次的行動模式的數據，對屬性中每一個執行各動作模式的模型化。另外，就利用HMM進行的學習而言，使用公知的方法。
在本實施方式中，請被檢測體A-Q的17個人物分別各執行5次上述8個動作模式的行動，并生成與各被檢測體的每一個相對應的8個動作模式的動作模式模型。
進而，將在動作模式模型生成部11中生成的動作模式模型與被檢測體的屬性(例如，姓名)以及動作模式的內容相對應起來，存儲到動作模式模型存儲部12中。
這樣一來，一旦生成作為檢測對象的多個被檢測體的動作模式模型完畢，則之后，在識別處理部13中，根據來自紅外線檢測部10的信號處理結果，來執行被檢測體的動作模式以及屬性的識別處理。
例如，設被檢測體A在檢測范圍20內沿著圖2(c)所示(6)的方向走步通過。由此，熱電型紅外線傳感器10a檢測被檢測體A的紅外線，并輸出根據該檢測結果的模擬信號。該模擬信號被輸入到信號處理部10b內，并被執行上述的信號處理，之后，將該處理結果輸入到識別處理部13內。
在識別處理部13中，從針對被檢測體A的動作的上述信號處理結果中提取出上述同樣的特征量數據，并根據該特征量數據、和存儲在動作模式模型存儲部12內的動作模式模型，來識別被檢測體A的動作模式和屬性。
在本實施方式中，使用公知的維特比算法，通過從存儲在動作模式模型存儲部12內的動作模式模型中，檢測出具有其中狀態轉移序列是以最高概率生成針對被檢測體A的動作的特征量數據序列(也叫做觀測序列)而得的狀態轉移序列的模型，來識別被檢測體A的動作模式和屬性。另外，對使用了上述維特比算法的檢測方法而言，使用了公知的方法。
如上所述，通過利用維特比算法，由于在檢測出與最大概率的狀態轉移序列相對應的動作模式模型后，在該動作模式模型內，如上所述預先將動作模式的內容和屬性對應起來，因此，能夠識別在檢測范圍內通過的被檢測體A的動作內容(在(6)的方向上走步通過等)，進而，也能夠識別通過的被檢測體是A。該識別結果例如被輸出到將該識別結果顯示于顯示部的顯示處理部、利用識別結果執行某種處理的應用程序等信息處理單元等中。
進而，根據圖4來說明紅外線檢測部10的動作處理的流程。圖4是表示紅外線檢測部10的動作處理的流程圖。
如圖4所示，首先，轉移到步驟S100，在熱電型紅外線傳感器10a中，將傳感器的模擬輸出信號輸入到信號處理部10b，之后，轉移到步驟S102。
在轉移到步驟S102的情況下，在信號處理部10b中，按照規定時間間隔(例如100ms)對獲取到的模擬輸出信號執行采樣處理，然后轉移到步驟S104。
在步驟S104中，在信號處理部10b中，對采樣結果執行A/D轉換處理，然后轉移到步驟S106。
在步驟S106中，在信號處理部10b中，根據經過采樣處理和A/D轉換處理的熱電型紅外線傳感器10a的輸出信號，來判斷在該輸出信號是否有變化，在判斷為有變化的情況下(Yes)，轉移到步驟S108，在沒有的情況下(No)，轉移到步驟S110。
在轉移到步驟S108的情況下，在信號處理部10b中，將經過上述A/D轉換的輸出信號保存到由未圖示的RAM等構成的存儲部內，然后轉移到步驟S100。
在移動到步驟S110的情況下，在信號處理部10b中，判斷在上述存儲部內是否有保存數據，在判斷為有的情況下(Yes)，轉移到步驟S112，在判斷為沒有的情況下(No)，轉移到步驟S100。
在步驟S112中，在信號處理部10b中，針對保存在上述存儲部內的數據，按規定時間單位(例如1.6s)來執行幀分割處理，然后轉到步驟S114。
在步驟S114中，在信號處理部10b中，對每個幀單位執行FFT，根據該FFT的結果計算出各高次諧波的譜，進一步，計算出每個幀單位的平均振幅，然后轉到步驟S116。
在步驟S116中，在紅外線檢測部10中，判斷動作模式是否是動作模式模型的生成模式，在判斷為是動作模式模型的生成模式的情況下(Yes)，轉移到步驟S118，在不是的情況下(No)，轉移到步驟S120。
這里，在本實施方式中，可以設定動作模式模型的生成模式與信息識別模式2種模式，在設定為動作模式模型的生成模式情況下，將紅外線檢測部10的信號處理結果輸入到動作模式模型生成部11內，另一方面，在設定為信息識別模式的情況下，將紅外線檢測部10的信號處理結果輸入到識別處理部13內。
在轉移到步驟S118的情況下，在紅外線檢測部10中，將上述信號處理結果輸入到動作模式模型生成部11內，然后轉移到步驟S100。
另一方面，在轉移到步驟S120的情況下，在紅外線檢測部10中，將上述信號處理結果輸入到識別處理部13，然后轉移到步驟S100。
進一步，根據圖5來說明動作模式模型生成部11的動作處理的流程。圖5是表示動作模式模型生成部11的動作處理的流程。
如圖5所示，首先，轉移到步驟S200，并判斷是否獲取到來自紅外線檢測部10的信號處理結果，在判斷為已經獲取到的情況下(Yes)，轉移到步驟S202，在判斷為沒有的情況下(No)，待機直到獲取到為止。
在步驟S202中，根據上述獲取到的信號處理結果，使用HMM來生成動作模式模型，然后轉移到步驟S204。
在步驟S204中，在生成的動作模式模型內將動作內容和屬性信息對應起來，然后轉移到步驟S206。
在步驟S206中，將對應起來動作內容和屬性信息的動作模式模型存儲到動作模式模型存儲部12內，然后結束處理。
另外，根據圖6來說明識別處理部13的動作處理的流程。圖6是表示識別處理部13的動作處理的流程圖。
如圖6所示，首先，轉移到步驟S300，判斷是否從紅外線檢測部10獲取到信號處理結果，在判斷為已經獲取到的情況下(Yes)，轉到步驟S302，在判斷為沒有的情況下(No)，待機直到在獲取到為止。
在步驟S302中，從動作模式模型存儲部12中讀出動作模式模型，然后轉移到步驟S304。
在步驟S304中，根據讀出的動作模式和上述獲取到的信號處理結果，使用維特比算法，檢測出具有為最大概率的狀態轉移序列的動作模式模型，然后轉移到步驟S306。
在步驟S306中，根據被檢測出的動作模式模型，執行識別處理，并轉移到步驟S308。這里，所謂識別處理，如上所述，就是讀取與動作模式模型相對應起來的動作內容和屬性信息。
在步驟S308中，將上述識別結果輸出到應用程序等信息處理單元內，然后結束處理。
以上，利用紅外線檢測部10檢測在檢測范圍20內的多個被檢測體的紅外線，并且對檢測結果的輸出信號執行信號處理，利用動作模式模型生成部11，從所述經過信號處理的檢測結果中，利用HMM生成與各被檢測體的動作模式內容和被檢測體的屬性相對應的動作模式模型，然后將其存儲到動作模式模型存儲部12內。
另外，利用識別處理部13，可以根據利用紅外線檢測部10所得到的在檢測范圍20內動作的被檢測體的紅外線檢測結果、以及存儲在動作模式模型存儲部12內的動作模式模型，來識別被檢測體的動作模式及其屬性。
這里，圖1所示的紅外線檢測部10與技術方案1、10和11中任意一項所記載的熱輻射線檢測單元相對應，動作模式模型生成部11與技術方案3記載的動作模式模型生成單元相對應，動作模式模型存儲部12與技術方案1、2和10中任意一項所述的的動作模式模型存儲單元相對應，識別處理部13與技術方案1或10記載的信息識別單元相對應。
(第1實施例)另外，根據圖7和圖8來說明第1實施例，該實施例用于將上述第1實施方式中的信息識別裝置1應用于在上述同樣的檢測范圍20內通過了被檢測體A-Q之后的情況的上述(1)-(8)的8個動作方向的識別。這里，圖7是表示第1實施例中的動作方向的識別結果的圖。圖8是表示將檢測范圍20細分為更小范圍的一個例子的圖。
在本實施例中，使用與上述第1實施方式相同的特征參數，生成5種狀態的HMM。這里，使用了請被檢測體A-Q的17人執行了5次上述實施方式(1)-(8)的8個方向的動作所得到的數據，來生成HMM。但是，在本實施例中，在生成各動作模式的每一個的HMM時，無視被檢測體的屬性，進一步在生成各方向的動作模式模型中，使用了針對17人的各方向的5次試行的所有數據(17名×5次共85個)。
即，在上述實施方式中，在各方向的動作模式模型的生成中使用了各屬性中的每一個的5個數據，來生成各被檢測體專用的HMM，對此，在本實施例中，使用17人的各方向中的每一個方向的所有數據，生成與不特定多數的被檢測體的各方向動作相對應的HMM。
然后，在上述第1實施方式的信息識別裝置1中，使用上述生成的動作模式模型，使由于被檢測體A-Q通過檢測范圍20而引起的動作方向的平均識別率，如圖7所示，在考慮同線錯誤時為73.3％，在忽略同線錯誤時為88.7％。
另外，在上述實施方式和實施例中，針對檢測范圍20的全體生成動作模式模型，由此，來識別上述(1)-(8)的8個方向，但是，并不限于此，如圖8所示，通過將檢測范圍20細分為小范圍，針對每個劃分生成各方向的動作模式模型，來組合這些動作模式模型，從而，能夠識別被檢測體的在檢測范圍20內的各種動作內容。
(第2實施例)進一步，根據圖9和圖10，來說明將上述第1實施方式中的信息識別裝置1應用到用于識別人和人之外的動物的第2實施例。
這里，圖9(a)和9(b)是表示在識別時作為被檢測體的狗的信息的圖。另外，圖10(a)是表示人(區分大人和孩子)和狗(區分大型犬和小型犬)的識別結果的圖，(b)是表示人(不區分大人和孩子)和狗(不區分大型犬和小型犬)的識別結果的圖。
在本實施例中，作為被檢測體，選擇42個人(大人36人，小孩6人(幼兒園兒童))、以及狗12條(大型犬5條，小型犬7條)，針對這些被檢測體，使用各執行了50次上述第1實施方式中的(1)-(8)的8個方向的動作所得到數據，來生成HMM。這里，在生成HMM中，計算出將上述第1實施方式中的第1特征參數轉換為常用對數值的值，以及上述第1實施方式中的第2特征參數來使用，并設HMM的內部狀態數為7個狀態。
這里，大型犬、小型犬的判別如圖9(b)所示，在從作為被檢測體所選擇的狗中，將包含身高63厘米、體長80厘米的拉布拉多獵狗在內比其大的狗定義為大型犬，另一方面，將包含身高40厘米、體長40厘米的小長卷毛狗在內比其還小的犬稱為小型犬。另外，身高和體長如圖9(a)所示，是狗站立的狀態下，從地面到身體最高位置的部分的高度，體長是在狗站立的狀態下，從鼻子到尾巴的長度。
在本實施例中，使用上述36名大人的動作數據生成的大人用的動作模式模型、使用上述6名孩子的動作數據生成的孩子用的動作模式數據、使用上述5條大型犬的動作數據生成的大型犬用的動作模式模型、以及使用上述7條小型犬的動作數據生成的小型犬用的動作模式模型共4種模型，利用上述4種模型來執行識別處理。而且各動作模式模型，由與各行動模式相對應的8個HMM構成。另外，在各模型生成中，學習數據(動作數據)對各行動模式中的每一個僅僅使用50次中的10次，剩余的40次設定為識別處理中所用的評估數據。
于是，關于對人區分大人和孩子，并且關于對狗區分大型犬和小型犬，在信息識別裝置中，使用上述生成的動作模式模型執行各被檢測體的動作方向的識別處理，其結果如圖10(a)所示，對大人的平均識別率為93.9％，對孩子的平均識別率為91.1％，對大型犬的平均識別率為61.9％，對小型犬的平均識別率為79.5％，這些的平均識別率為81.6％。由該結果可見，由于大型犬的識別率相比其他明顯降低，因此，盡管大人和孩子的平均識別率都超過90％，但是，整體的平均識別率為81.6％，大大低于90％。
另一方面，關于對人不區分大人和孩子，并且對狗不區分大型犬和小型犬，在信息識別裝置1中，執行各被檢測體的動作方向的識別處理，其結果如圖10(b)所示，對大人的平均識別率為99.6％，對孩子的平均識別率為98.4％，對大型犬的平均識別率為96.4％，對小型犬的平均識別率為94.8％，它們的平均識別率為97.3％。由該結果可見，在區分大型犬和小型犬的情況下，大型犬的識別率低的理由理解為其大部分誤識別了大型犬和小型犬。于是，由于大型犬的識別率跳躍地提升了，因此，整體的平均識別率大幅提升到97.3％。由此，理解為在本發明的信息識別裝置1中，就人和狗(人以外的動物)的識別能夠以高概率進行識別。
(第2實施方式)進一步，對本發明的第2實施方式進行說明。圖11和圖12是表示本發明信息識別裝置的第2實施方式的結果的圖。
與上述第1實施方式不同之處在于，作為用于模型化或識別處理的特征量數據，除了使用上述第1實施方式中的第1和第2特征量數據之外，還使用了根據這些第1和第2特征量數據計算出的第3和第4特征量數據。因此，在與上述第1實施方式相同的結構中，由于動作模式模型的生成方法和識別處理方法有一部分不同，因此，以下就與上述第1實施方式重復的部分，使用同樣的附圖來進行說明。
在本實施方式中，與上述第1實施方式相同，在信號處理部10b中，如圖3所示，以100[ms]的間隔，對來自熱電型紅外線傳感器10a的數據時間長10[s]的模擬輸出信號30進行采樣，進一步通過對這些采樣數據執行A/D轉換，從而將該模擬輸出信號30轉換為數字數據。然后，將該100[ms]間隔的采樣數據分割為以1.6[s]為單位的多個幀31。之后，對各幀31為單位的采樣數據執行FFT，并將這些采樣數據展開為傅利葉級數，然后，計算出各高次諧波的譜(圖3中的譜32)。并且，各幀31中，分別對應了16個采樣數據，幀間交疊設為12個采樣數據。另外，在本實施方式中，針對各幀31的上述譜32的前8個，將其值轉換為常用對數值(logN)所得值，作為第1特征量數據，進而，對各幀中的每一個計算出平均振幅電平，將它作為第2特征量數據，將針對全部幀31中所選擇的各幀31的第1特征量數據的數值、與針對其前1幀31的第1特征量數據的數值的差分作為第3特征量數據，將針對全部幀31中所選擇的各幀31的第2特征量數據的數值與針對其前1幀31的第2特征量數據數值的差分作為第4特征量數據。
另外，在本實施方式中，動作模式模型生成部11從紅外線檢測部10獲取第1-第4特征量數據，使用這些特征量數據來作成HMM。這里，在生成HMM中，將第1-第4特征量數據設為第1-第4參數，將內部狀態數設為S1-S7共7個狀態，使用單一的高斯分布作為各參數的概率分布。例如，在HMM的學習中，與上述第1實施方式相同，使用針對為各屬性的各動作模式中的每一個各執行了5次的行動模式的數據，然后對各屬性中的每一個執行各動作模式的模型化。
進一步，使在動作模式模型生成部11內生成的動作模式模型與被檢測體的屬性(例如姓名)以及動作模式的內容相對應起來，存儲在動作模式模型存儲部12內。
由此，當生成作為檢測對象的多個被檢測體的動作模式模型完畢，則以后在識別處理部13中，根據來自紅外線檢測部10的信號處理結果，執行被檢測體的動作模式和屬性的識別處理。
接下來，就上述圖4中的流程圖中的、與上述第1實施方式不同的處理內容的步驟S114進行說明。
在步驟S114中，在信號處理部10b中，對每幀單位執行FFT，根據該FFT的結果計算各高次諧波的譜，并根據該計算出的譜來計算第1-第4的特征量數據，然后轉到步驟S116。
這里，在本實施方式中，將各高次諧波的譜值轉換為常用對數值來生成第1特征量數據，并計算各譜的每個幀單位的平均振幅作為第2特征量數據；對于所有幀，計算針對所選擇的幀的第1特征量數據與針對其前1幀的第1特征量數據的差分作為第3特征量數據；對于所有幀，計算針對所選擇的幀的第2特征量數據與針對其前1幀的第2特征量數據的差分作為第4特征量數據。
以上，可利用紅外線檢測部10來檢測在檢測范圍20內的多個被檢測體的紅外線，并且對檢測結果的輸出信號執行信號處理，利用動作模式模型生成部11，根據經過所述信號處理的檢測結果，利用HMM生成與各被檢測體的動作模式內容和被檢測體的屬性相對應的動作模式模型，并將其存儲到動作模式模型存儲部12內。
另外，在動作模式模型生成部11中，可使用上述第1-第4特征量數據來生成動作模式模型。
另外，可利用識別處理部13，根據利用紅外線檢測部10在檢測范圍20內動作所得的被檢測體的紅外線檢測結果、與存儲在動作模式模型存儲部12內的動作模式模型，來識別被檢測體的動作模式及其屬性。
這里，如圖1所示，紅外線檢測部10與技術方案1、10和11中任意一項所述的熱輻射線檢測單元相對應，動作模式模型生成部11與技術方案3所述的動作模式模型生成單元相對應，動作模式模型存儲部12與技術方案1、2以及10中任意一項所述的動作模式模型存儲單元相對應，識別處理部13與技術方案1或技術方案10所述的信息識別單元相對應。
(第3實施例)進一步，根據圖11來說明在將上述第2實施方式的信息識別裝置應用于下述情況的第3實施例。即在與上述第1實施方式相同的檢測范圍20內通過了被檢測體A-Q的情況下，識別上述(1)-(8)共8個動作方向。這里，圖11是表示第3實施例中的動作方向的識別結果。
在本實施例中，使用與上述第2實施方式相同的特征參數，生成內部狀態數目為7的HMM。這里也使用使被檢測體A-Q的17人各執行5次上述(1)-(8)共8個方向的動作所得的數據，來生成HMM。但是，在本實施例中，在生成各動作參數的每一個的HMM時，忽略被檢測體的屬性，進而，在生成各方向的動作模式模型中，使用了針對17人的各方向的5次試行的全部數據(17人×5次共85個)。
即，在上述第2實施方式中，在生成各方向的動作模式模型中，使用每個屬性的5個數據，來生成各被檢測體專用的HMM，與此相對，在本實施例中，使用17人的各個方向中的每一個方向的所有數據，來生成與不特定多數的被檢測體的各方向動作相對應的HMM。
然后，在上述第2實施方式的信息識別裝置1中，使用上述生成的動作模式模型來執行由于被檢測體A-Q通過檢測范圍20而引起的動作方向的識別處理，其結果如圖11所示，平均識別率在考慮同線錯誤時為90.3％，在忽略同線錯誤時為97％。在上述第1實施例中，考慮了同線錯誤的情況下為73.7％，在忽略了同線錯誤的情況下為88.7％，因此，通過在動作模式模型的生成和識別處理中，導入在上述第2實施方式中說明過的第3和第4參數，從而可以說與所述第1實施例中的圖7所示的識別結果相比較，識別率大幅提高了。
(第4實施例)進一步，根據圖11來說明在將上述第2實施方式中的信息識別裝置1應用于下述情況的第4實施例。即在與上述第1實施方式相同的檢測范圍20內通過了被檢測體A-Q的情況下，識別上述(1)-(8)共8個動作方向。這里，圖12(a)和(b)是表示第4實施例中動作方向的識別結果的圖。
在本實施例中，使用與上述第2實施方式相同的特征參數，來生成內部狀態數為7的HMM。這里，使用使由從被檢測體A-Q的17人中選出的3人各執行50次上述(1)-(8)共8個方向的動作所得到的數據來生成HMM。另外，在本實施例中，在生成各動作模式中的每一個的HMM時，考慮被檢測體的屬性，進而，在生成各方向的動作模式模型中，使用針對A-C各個人在各個方向上的50次試行的所有數據(3人×50次×8個方向共計1200個)，針對A-C各個人，生成上述(1)-(8)的各方向的8個HMM，將這些各個人中每一個人的8個HMM設為各個人的動作模式數據。
之后，在上述第2實施方式的信息識別裝置1中，使用上述生成的動作模式模型來執行由于被檢測體A-C在檢測范圍20內通過而引起的動作方向的識別處理，其結果如圖12(a)所示，A的平均識別率為96.3％，B的平均識別率為93.5％，C的平均識別率為90.5％，它們的平均識別率為93.4％。即，可了解到平均后變為90％以上的高識別率，即便在各動作方向的識別中加入對各個人中每個人的識別，本發明也是有效的。
然而，在忽略動作方向而在檢測范圍20內對是A-C中哪一個通過進行識別，其結果如圖12(b)所示，A的平均識別率為96.5％，B的平均識別率為97.8％，C的平均識別率為96.8％，它們的平均識別率變為96.8％。即，正如看圖12(a)所能了解到的那樣，由于在動作方向的識別上存在個人差，所以通過忽略動作方向能夠以相當高的識別率識別出通過者是誰，因此，可以說本發明在個人識別上是非常有效的。
另外，被檢測體A-C的身高和體重為A“165厘米，64公斤”、B“177厘米，68公斤”、C“182厘米，68公斤”，由于在各自腳步不同，因而會考慮隨著體型和腳步的不同，在每個人上產生差異。
(第3實施方式)進一步根據附圖來說明本發明第3實施方式。圖13和圖14是表示有關本發明信息識別裝置的第3實施方式的圖。
在本實施方式中，將上述第1和第2實施方式中的信息識別裝置1構成為能夠將針對識別對象的動作的特征量數據、以及用于生成存儲在上述動作模式模型存儲部12內的動作模式模型時的特征量數據顯示為二維空間上的座標點。該情況下，向上述第1和第2實施方式中的圖1所示的信息識別裝置1內追加了例如二維投影部和信息顯示部。
在此二維投影部具有以下功能根據生成動作模式模型時的特征量數據(以下，稱為第1特征量數據)、以及從紅外線檢測部10獲取到的信號處理結果的特征量數據(以下，稱為第2特征量數據)，計算出第1特征量數據相互間的數學距離，以及第1特征量數據和第2特征量數據間的數學距離。進一步根據這些計算出的數學距離，在保持了所述計算出的數學距離的關系的狀態下，將多維特征量數據投影為二維座標信息。
這里，在本實施方式中，計算各特征量數據相互間的歐幾里得(Eudidean)距離作為數據距離。
另外，特征量數據如上所述具有多維(4維或者4維以上)的信息的數據，在本實施方式中，二維投影部使用公知的Sammon法(參見Jon W.Sammon，JR.“A Nonlinear Mapping for Data StructureAnalysis”，IEEE Trans.Computers，Vol.C-18，No.5，May 1969)，將多維信息投影為二維信息。
進一步，信息顯示部具有表示二維投影部的投影結果的信息的功能。
以下，根據圖13來說明具體的動作。圖13是表示二維投影化后的特征量數據的一個顯示例的圖。這里，作為上述第1特征量數據，使用上述第1實施方式中的A-Q各個人的針對上述(1)-(8)的行動模式的各5次試行的數據。因此，針對某1行動模式，對A-Q的各人中的每一個人二維投影顯示5個特征量數據(圖9中的相同形狀的座標點)。
二維投影部首先計算針對上述A-Q的5次試行的行動模式的第1特征量數據相互間的數學距離(按每次試行進行計算)，并將其存儲在圖中未示出的數據存儲部內。
然后一旦從紅外線檢測部10獲取到信號處理結果(第2特征量數據)，則根據該特征量數據和針對A-Q的5次試行的特征量數據，計算出第2特征量數據和第1特征量數據之間的數學距離。進而，讀出存儲在上述數據存儲部內的、針對A-Q的第1特征量數據相互間的數學距離，并針對它和第1特征量數據與第2特征量數據間的數學距離，使用上述的Sammon方法，在維持了這些數學距離關系的狀態下，對各特征量數據執行二維投影。這里，利用進行二維投影所生成的座標信息被輸入到信息顯示部內。
在信息顯示部中，如圖9所示，利用隨各屬性中每一個的不同的形狀的座標點來顯示所獲取的座標信息。這里，圖9中的40是第2特征量數據的座標。另外，在圖4中41的框內，顯示了各座標點的形狀和A-Q的關系。如圖9所示，第2特征量數據(星形的座標點)被表示在最接近A的涂黑的菱形的位置上。因此，看到由于進行二維投影所得到的座標點的顯示內容，可得知檢測結果最接近屬性A。即，操作員等可以看著座標點的顯示內容，來識別或預測橫穿過檢測范圍20的識別對象的屬性(該情況下是A)。
另外，將存在于由于進行二維投影所產生的座標點相同的位置上的人物之間設為1個種類，通過使用HMM來生成動作模式模型，從而可以實現人物的種類分類。種類可以是各種各樣的，可以按腳步、體形、行走速度、行走方向等以存在于相同位置上的人物所共用的特征來區分。另外，并不限于人物，也可以應用于發出紅外線的所有物體，也可以應用于區分人物和動物、區分動物之間等。
進而，根據圖14來說明二維投影部的操作處理的流程。圖14是表示二維投影部的動作處理的流程圖。
如圖14所示，首先，轉移到步驟S400，判斷是否獲取到紅外線檢測部10的信號處理結果，在判斷為獲取到的情況下(Yes)，轉移到步驟S402，在沒有的情況下(No)，轉移到步驟S410。
在轉移到步驟S402的情況下，從動作模式模型存儲部12中讀出特征量數據，然后轉移到步驟S404。即，在動作模式存儲部12內存儲了第1特征量數據。
在步驟S404中，根據上述讀出的特征量數據以及信號處理結果的特征量數據來計算兩者的數學距離，然后轉移到步驟S406。
在步驟S406中，根據預先存儲在數據存儲部內的特征量數據相互間的數學距離和上述計算出的數學距離，使用Sammon方法，在保持了該數學距離關系的狀態下，對特征量數據執行二維投影處理，然后轉移到步驟S408。
在步驟S408中，將投影結果的信息輸入到信息顯示部，然后轉移到步驟S400。
另一方面，在步驟S400中沒有獲取信號處理結果而轉移到步驟S410的情況下，判斷是否獲取到第1特征量數據，在判斷為已經獲取到的情況下(Yes)，轉移步驟S412，在判斷為沒有(No)的情況下，轉移步驟S400。
在轉移到步驟S412的情況下，計算出特征量數據相互間的數學距離，然后轉移到步驟S414。
在步驟S414中，向數據存儲部存儲上述計算出的數學距離，然后轉移到步驟S400。
這里，本發明中的由二維投影部和信息顯示部所執行的二維座標的顯示處理，與技術方案15所述的數據量數據顯示單元和檢測結果顯示單元相對應。
(第4實施方式)進一步，根據

本發明的第4實施方式。圖15及圖16是表示有關本發明的信息識別裝置的第4實施方式的圖。
本實施方式是具有上述第1和第2實施方式中的信息識別裝置1的警報系統的實施方式，是一種在信息識別裝置1中，執行識別是人還是人之外的動物的處理，并在根據該識別結果判斷出侵入到傳感器的檢測范圍內的是人時發出警報的系統的實施方式。即，是利用了上述第1和第2實施方式中的信息識別裝置1的識別結果的應用系統。因此，對與上述第1和第2實施方式重復的部分賦予相同標記，并省略其說明，僅僅對不同部分進行說明。
首先，根據圖15來說明關于本發明第4實施方式的警報系統的結構。圖15是表示關于本發明第4實施方式的警報系統的結構。
警報系統2構成為包含信息識別裝置1；發報控制部50，根據來自該信息識別裝置1的識別結果來控制警報的發報；警報部51，根據來自發報控制部50的發報命令發出警報；以及，通知部52，根據來自發報控制部50的通知命令，向系統使用者通知警報內容。
在本實施方式中，動作模式模型存儲部12存儲了針對人的動作模式生成的動作模式模型；以及針對狗和貓等人之外的動物生成的動作模式模型。
識別處理部13具有以下功能根據動作模式模型存儲部12的存儲內容、以及從紅外線檢測部10獲取到的紅外線檢測結果的特征量數據，來識別存在于熱電型紅外線傳感器10a的檢測范圍內的被檢測體的動作模式信息和屬性信息的功能；以及，將該識別結果發送到發報控制部20的功能。在本實施方式中，對特征量數據、和存儲在上述動作模式模型存儲部12內的動作模式模型進行比較，并識別被檢測體是否是人。
發報控制部50具有以下功能根據來自信息識別裝置1的識別處理部13的識別結果，判斷被檢測體是否是人，在判斷為被檢測體是人的情況下，在發送使警報部51發出警報的命令，并且向通知部52傳送將警報內容(例如，人侵入到建筑物內)通知系統使用者的命令。另一方面，在發報控制部50中，在判斷為被檢測體是人之外的情況下，由于沒有向警報部51和通知部52發送前述發報命令以及通知命令，因此，警報和通知均不執行。并且，并不限于這種結構，在判斷為被檢測體是人之外的情況下，通過僅僅將通知命令通知給通知部51，在發報控制部50中，在萬一出現了誤判時，系統使用者可以適當地執行應對。
另外，在上述判斷處理中，從識別處理部13連續送來的識別結果是“人、人、人之外、人之外、人、人......人之外、人、人、人、人、人之外”這樣的內容的情況下，例如，通過在識別為是人連續出現規定次數或以上(例如3次)時，判斷為被檢測體是人，可降低判斷結果的錯誤。
警報部51具有以下功能根據來自發報控制部50的發報命令，在從圖中未示出的揚聲器中輸出警告消息的語音，并且還從中輸出規定的警告音。
通知部52具有以下功能根據來自發報控制部50的通知命令，經由圖中未示出的網絡等向系統使用者通知警告內容。
因此，如前所述，在判斷為被檢測體是人以外的情況下，警報和通知均不執行。
這里，在本實施方式中，警報系統2與信息識別裝置1不同，具有圖中未示出的程序、RAM(隨機存取存儲器Random AccessMemory)以及存儲專用程序的存儲介質，通過由處理器來執行專用程序來執行上述各部的控制。
另外，所謂存儲介質是RAM、ROM等半導體存儲介質、FD、HD等磁存儲型存儲介質，CD、CDV、LD、DVD等光學讀取方式存儲介質、MO等磁存儲型/光學讀取方式存儲介質。不管電子、磁、光學等讀取方法中的哪一個，只要能由計算機讀取的存儲介質，就包含該所有存儲介質。
上述警報系統2通過將該信息識別裝置1具有的熱電型紅外線傳感器10a設置在例如是美術館或珠寶店等建筑物的入口附近(在進入到建筑物內時必須通過的路徑)，在信息識別裝置1內識別侵入到建筑物內的(被檢測體)是人還是人之外，在發報控制部50中，根據該識別結果進一步判斷被檢測體是否是人，在判斷為被檢測體是人的情況下，在警報部51中發出警報，在通知部52中，將警報內容通知給系統使用者。因此，在建筑物內侵入了小偷等“人”的情況下，識別為那是人，并可以利用警報部21的警報來執行威嚇和警告，進一步，通過從通知部52向系統使用者通知“人”侵入到建筑物內，從而例如或是作為系統使用者的警備員等趕往現場以制止小偷，或者是和警察聯絡，請其趕往現場拿獲等處理。另一方面，在狗或貓等“人之外”的事物侵入到建筑物內的情況下，可將其判斷為不是人，并不執行無用的警報或通知。
進一步，根據圖16來說明警報系統2中的發報控制部50的動作處理的流程。圖16是表示發報控制部50的動作處理的流程圖。
如圖16所示，首先轉移到步驟500，判斷是否已經從識別處理部13接收到了識別結果，在判斷為已經接收到的情況下(Yes)，轉移到步驟S502，在不是的情況下(No)，在直到接收之前，繼續執行判斷處理。
在已經轉移到步驟S502的情況下，將在步驟S500中接收到的識別結果存儲到未圖示的存儲部內，然后轉到步驟S504。
在步驟S504中，判斷從最初接收到識別結果開始是否經過了規定時間，或者是，針對相同的被檢測體的識別結果的接收數目是否超過了規定接收數目，在判斷為已經經過了或超過了的情況下(Yes)，轉移到步驟S506，在不是的情況下(No)，轉移到步驟S500。
在轉移到了步驟S506的情況下，根據針對存儲在存儲部內的相同的被檢測體的識別結果，執行判斷該被檢測體是否是人的處理，然后轉移到步驟S508。這里，判斷是否是人的處理如上所述，是根據被連續識別為是“人”的次數等而執行的。
在轉移到了步驟S508的情況下，步驟S506的判斷結果在判斷為是人的情況下(Yes)轉移到步驟S510，在不是的情況下(No)轉到步驟S512。
在轉移到步驟S510的情況下，將發報命令發送給警報部51，并且將通知命令發送到通知部52，然后轉到步驟S512。
在步驟S512中，在刪除了存儲在存儲部內的識別結果而結束判斷處理后，轉移到步驟S500。
以上，可以根據上述第1和第2實施方式中的信息識別裝置1的識別結果，在發報控制部50中判斷被檢測體是否是人，在是人的情況下，可在警報部51上發出警報，在通知部52上，將警報內容通知給系統使用者，另一方面，在判斷為人以外的情況下，在警報部51上不發送警報，并且在通知部52內不通知警報內容，由此，可以不執行無用的警報和通知。
這里，如圖15所示，發報控制部50對應于技術方案18所述的判斷單元，警報部51和通知部52對應于技術方案18所述的警報單元。
并且，在上述第1-第3實施方式中，雖然將人及人之外放射出熱輻射線的生物當作被檢測體，但并不限于此，也可以將放射出熱輻射線的非生物當作被檢測體。
另外，在上述第1-第3的實施方式中，盡管說明了就上述(1)-(8)共8個方向的動作模式而言執行動作模式模型的生成、或這些動作模式的識別處理的例子，但是，并不僅限于此，也可以進行不限于8個方向的各種各樣方向的移動、就被檢測體的整體的一部分動作等其他動作模式而言執行動作模式模型的生成、或執行這些動作模式的識別處理。
另外，在上述第1-第3實施方式中，作為與動作模式模型相對應起來的屬性，以被檢測體的姓名為例進行說明，但是并不僅限于此，作為屬性，也可以與性別、年齡、身高、體重等其他要素對應起來，另外，也可以與任意組合多個要素對應起來。
另外，在上述第3實施方式中，對將多維特征量數據投影為二維座標信息的例子進行了說明，但是，并不限于此，也可以將多維特征量數據投影為三維座標信息。
產業上的可利用性根據本發明技術方案1所述的信息識別裝置，由于根據熱輻射線傳感器的檢測結果以及多種動作模式模型來識別被檢測體的規定信息，因此，可以識別被檢測體的復雜的行動模式、被檢測體的屬性等各種信息。
另外，根據技術方案2所述的信息識別裝置，由于除了技術方案1所述效果外，還能夠根據分別與多種動作模式相對應的多個動作模式模型以及檢測結果來執行識別處理，因此，可以識別檢測范圍內的被檢測體的各種信息。
另外，根據技術方案3所述的信息識別裝置，由于除了技術方案1或技術方案2的上述效果外，還容易追加新動作模式模型，另外還能夠根據所提供的條件生成動作模式模型，因此，在由于識別內容的變更等引起的動作模式模型的變更等中，可以靈活地應對。
另外，根據技術方案6所述的信息識別裝置，由于除了技術方案1到技術方案3中任意一項的上述效果外，還使用了熱電型紅外線傳感器作為熱輻射線傳感器，因此，可以容易地檢測在檢測范圍內的移動體。
另外，根據技術方案7所述的信息識別裝置，除了技術方案1到技術方案6任意一項的上述效果外，還可以通過使用作為時間序列信號的概率模型的HMM，對動作模式執行模型化，從而即便是非穩定的時間序列信號也可容易地執行模型化，因此，可以可靠地對被檢測體的動作模式執行模型化。
另外，根據技術方案8所述的信息識別裝置，由于除了技術方案1到技術方案7中任意一項的上述效果外，熱輻射線傳感器的輸出根據被檢測體的行動內容、移動速度、大小等而發生變化，因此，通過預先生成、準備與這些因素相對應的動作模式模型，可以識別被檢測體的行動內容、移動速度、大小等。
另外，根據技術方案9所述的信息識別裝置，除了技術方案1到技術方案8中任意一項的上述效果外，作為動作模式模型，由于包含了多種被檢測體的動作模式模型，因此，信息識別單元可以識別檢測范圍內的被檢測體的種類。
另外，根據技術方案10所述的信息識別裝置，除了技術方案1到技術方案9中任意一項的上述效果外，由于計算出特征量數據和所述動作模式模型的似然，并根據該似然來識別有關被檢測體的規定信息，因此，可以簡易地識別規定信息。
另外，根據技術方案11所述的信息識別裝置，除了技術方案10的上述效果外，由于針對由檢測結果的幀單位的譜構成的第1特征量數據、以及由該幀單位的譜的平均振幅值構成的第2特征量數據，來計算它們與所述動作模式模型的似然，并根據該計算結果來識別有關被檢測體的規定信息，因此，可以提高規定信息的識別精度。
另外，根據技術方案12所述的信息識別裝置，由于使用了將所述幀單位的譜的值轉換為常用對數值后的數據作為第1特征量數據，因此，可以利用條件來進一步提高規定信息的識別精度。
另外，根據技術方案13所述的信息識別裝置，除了第1和第2特征量數據之外，由于還使用了所選幀的所述第1特征量數據所示的特征量、與該所選幀的前1幀的所述第1特征量數據所示的特征量的差分構成的第3特征量數據，執行規定信息的識別，由此，可以進一步提高規定信息的識別精度。
另外，根據技術方案14所述的信息識別裝置，除了第1-第3特征量數據，由于還使用了所選幀的所述第2特征量數據所示的特征量、與該所選幀的前1幀的所述第2特征量數據所示的特征量的差分構成的第4特征量數據，來執行規定信息的識別，由此，可以進一步提高規定信息的識別精度。
另外，根據技術方案15所述的信息識別裝置，除了技術方案1到技術方案8中任意一項的上述效果外，還可以使檢測結果與同其他多個被檢測體的動作模式模型相對應的特征量數據相對比，在視覺上捕捉到，從而可以實現基于視覺的規定信息的識別等。
這里，技術方案16所述的信息識別方法是利用技術方案1所述的信息識別裝置等來實現的，由于其產業上的可使用性是重復的，因此，省略其記載。
另外，技術方案17所述的信息識別程序是可以應用于技術方案1所述的信息識別裝置的程序，由于其產業上的可利用性重復，因此，省略其記載。
另外，根據有關本發明的技術方案18所述的防范系統，由于根據可識別被檢測體的復雜行動模式、被檢測體的屬性等各種信息的信息識別裝置的識別結果，可以進行人與人以外的動物等的判別，因此，在將本系統應用于建筑物的警備中的情況下，可以降低發出將人之外的動物等侵入到建筑物內誤判斷為人的侵入的警報。
權利要求
1.一種信息識別裝置，其特征在于，具有熱輻射線檢測單元，利用熱輻射線傳感器，對從存在于檢測范圍內的被檢測體放出的熱輻射線執行檢測；動作模式模型存儲單元，存儲按照規定的模型化方法對與被檢測體的動作模式相對應的所述熱輻射線傳感器的輸出預先執行模型化而成的動作模式模型；以及，信息識別單元，根據所述熱輻射線檢測單元的檢測結果、以及存儲在所述動作模式模型存儲單元內的所述動作模式模型，來識別與存在于所述檢測范圍內的所述被檢測體有關的規定信息。
2.如權利要求1所述的信息識別裝置，其特征在于在所述動作模式模型存儲單元內，存儲了與多種動作模式分別對應的多個動作模式模型。
3.如權利要求1或權利要求2所述的信息識別裝置，其特征在于，具有動作模式模型生成單元，根據所述熱輻射線傳感器的輸出，利用所述規定的模型化方法，來生成所述被檢測體的所述動作模式模型。
4.如權利要求1至3中任意一項所述的信息識別裝置，其特征在于所述熱輻射線傳感器是熱型傳感器。
5.如權利要求1至3中任意一項所述的信息識別裝置，其特征在于所述熱輻射線傳感器是量子型傳感器。
6.如權利要求1至3中任意一項所述的信息識別裝置，其特征在于所述熱型傳感器是利用熱電效果來檢測從所述被檢測體放出的紅外線的熱電型紅外線傳感器。
7.如權利要求1至6中任意一項所述的信息識別裝置，其特征在于所述規定的模型化方法是隱馬爾可夫模型。
8.如權利要求1至7中任意一項所述的信息識別裝置，其特征在于所述規定信息包含所述被檢測體的行動內容、所述被檢測體的移動速度以及所述被檢測體的大小中的至少一個。
9.如權利要求1至權利要求8中任意一項所述的信息識別裝置，其特征在于所述規定信息包含所述被檢測體的屬性信息。
10.如權利要求1至權利要求9中任意一項所述的信息識別裝置，其特征在于所述信息識別單元從所述熱輻射線檢測單元的檢測結果中提取出特征量數據，并根據該特征量數據和存儲在所述動作模式模型存儲單元內的所述動作模式模型，來計算所述特征量數據和所述動作模式模型的似然，然后根據該計算出的似然來識別與所述被檢測體有關的規定信息。
11.如權利要求10所述的信息識別裝置，其特征在于所述特征量數據包含由所述熱輻射線檢測單元的檢測結果的幀單位的譜構成的第1特征量數據、以及由所述幀單位的譜的平均振幅值構成的第2特征量數據。
12.如權利要求11所述的信息識別裝置，其特征在于所述第1特征量數據是將所述幀單位的譜的值轉換為常用對數值后的數據。
13.如權利要求11或12所述的信息識別裝置，其特征在于所述特征量數據還包含第3特征量數據，該第3特征量數據由所選幀的所述第1特征量數據所示的特征量與所選幀的前1幀的所述第1特征量數據所示的特征量的差分構成。
14.如權利要求13所述的信息識別裝置，其特征在于所述特征量數據還包含第4特征量數據，該第4特征量數據由所選幀的所述第2特征量數據所示的特征量與所選幀的前1幀的所述第2特征量數據所示的特征量的差分構成。
15.如權利要求1至14中任意一項所述的信息識別裝置，其特征在于，在所述動作模式模型由4維以上的高維的所述特征量數據構成時，具有特征量數據顯示單元，將與存儲在所述動作模式模型存儲單元內的各動作模式模型相對應的所述特征量數據顯示為2維或3維空間上的座標點；以及檢測結果顯示單元，在顯示了所述特征量數據的座標點的空間上，顯示與所述熱輻射線檢測單元的檢測結果相對應的座標點。
16.一種信息識別方法，其特征在于利用熱輻射線傳感器來檢測從存在于檢測范圍內的被檢測體放出的熱輻射線；準備根據規定的模型化方法、對與多個被檢測體的多種動作模式分別對應的所述熱輻射線傳感器的輸出預先執行模型化而成的動作模式模型；以及根據所述熱輻射線傳感器的檢測結果和所述動作模式模型，來識別與存在于所述檢測范圍內的所述被檢測體有關的規定信息。
17.一種在計算機上執行的信息識別程序，其特征在于，具有熱輻射線檢測步驟，利用熱輻射傳感器來檢測從存在于檢測范圍內的被檢測體放出的熱輻射線；動作模式模型存儲步驟，存儲根據規定的模型化方法、對與多個被檢測體的多種動作模式分別對應的所述熱輻射線傳感器的輸出預先執行模型化而成的動作模式模型；以及信息識別步驟，根據由所述熱輻射線檢測步驟所得到的檢測結果、以及在所述動作模式模型存儲步驟中所存儲的所述動作模式模型，來識別與存在于所述檢測范圍內的所述被檢測體有關的規定信息。
18.一種警報系統，其特征在于，具有如權利要求1至權利要求15中任意一項所述的信息識別裝置；判斷單元，根據所述信息識別裝置的識別結果來判斷所述被檢測體是否是人；以及警報單元，在利用所述判斷單元判斷出所述被檢測體是人時發出警報。
全文摘要
本發明提供了一種信息識別裝置、信息識別方法以及信息識別程序，它可以根據針對存在于檢測范圍內的被檢測體的熱輻射線檢測單元的輸出、以及使用規定的模型化方法預先準備的、根據與多個對象的動作模式分別對應的熱輻射線傳感器的輸出的動作模式模型，來識別有關被檢測體的規定信息。信息識別裝置1構成為包含紅外線檢測部10、動作模式模型生成部11、動作模式模型存儲部12、以及識別處理部13。紅外線檢測部10構成為包含熱電型紅外線傳感器10a和信號處理部10b。生成的動作模式模型使動作內容和屬性信息相對應起來，存儲到動作模式模型存儲部12內。然后根據紅外線檢測部10的輸出和動作模式模型來識別被檢測體的信息。
文檔編號G01J5/10GK1906638SQ20058000180
公開日2007年1月31日 申請日期2005年1月13日 優先權日2004年1月15日
發明者宇田川健, 莊境誠, 山崎裕二 申請人:旭化成株式會社