JP4662147B2

JP4662147B2 - 物体認識装置

Info

Publication number: JP4662147B2
Application number: JP2005306100A
Authority: JP
Inventors: 俊明柿並; 宏行渡辺
Original assignee: Aisin Seiki Co Ltd; Aisin Corp
Current assignee: Aisin Corp
Priority date: 2005-10-20
Filing date: 2005-10-20
Publication date: 2011-03-30
Anticipated expiration: 2025-10-20
Also published as: US20090052779A1; WO2007046336A1; US8031908B2; DE602006007370D1; JP2007114056A; EP1939585B1; EP1939585A4; EP1939585A1

Description

本発明は、移動体周辺に存在する物体の輪郭形状を認識する物体認識装置に関する。

このような装置として、下記に出典を示す特許文献１に記載されたような障害物検知装置がある。この装置は、車両（移動体）の周辺に存在する障害物を検知して警報を発するものである。特許文献１の発明がなされる前の従来の装置は、単に車両と障害物との距離だけを測定して所定距離よりも短い場合にのみ、警報を発するように構成されていた。即ち、距離に基づく警報だけでは、運転者にとって車両の周りのどの物体が障害物か判り難いという問題があった。これに対し、特許文献１に記載の発明は、車両に複数の障害物検知センサを搭載し、障害物までの距離を演算する。そして、これら得られた演算結果より障害物の形状が直線（平板形状）か円形（凸面形状）かを推定して表示する。

特開２００３−１９４９３８号公報（第２−３頁、第１−７図）

特許文献１に記載された発明は、障害物までの距離に留まらず、障害物の形状までも推定する点において、利用者にとって有益なものである。しかし、実際の計測においては、検出対象の物体（障害物）以外を検出した検出データが混在することも多い。検出対象物以外の検出データは、検出対象物の形状推定に際してノイズ成分として作用し、推定精度を低下させる。従って、障害物等の検出対象となる物体を検出する際の安定性が充分とはいえない。ノイズ除去の機能を具備すれば、演算量が増え、それに伴って処理時間の増大や装置の大規模化を招くことになる。

本願発明は上記課題に鑑みてなされたもので、少ない演算量で、被検出対象のデータが混在しても安定して物体の形状を認識することができる物体認識装置を提供することを目的としている。

上記目的を達成するための本発明に係る、移動体周辺に存在する物体の表面形状情報を検出する物体検出手段と、前記表面形状情報に基づいて前記物体の輪郭形状を認識する形状認識手段とを備え、前記移動体周辺に存在する物体を認識する物体認識装置、は以下の特徴構成を備える。
前記形状認識手段は、最大で規定回数分、前記表面形状情報を構成する標本群から任意の標本を抽出し、抽出された前記標本に基づいて形状モデルを定める形状モデル設定手段と、前記標本群に対する前記各形状モデルの適合度を演算する適合度演算手段と、前記形状モデルに対する前記適合度に基づいて前記輪郭形状となる前記形状モデルを決定する輪郭形状決定手段と、を備える。
前記輪郭形状決定手段は、第一基準値以上の前記適合度が存在する場合は、前記規定回数に拘らず最先に前記第一基準値以上となった前記適合度を有する前記形状モデルを、前記輪郭形状として決定する。
前記第一基準値以上の前記適合度が存在しない場合には、前記規定回数分求められた前記適合度の内、前記第一基準値より低い第二基準値以上で最大の前記適合度を有する前記形状モデルを、前記輪郭形状として決定する。
前記第二基準値以上の前記適合度が存在しない場合には、前記輪郭形状に該当する前記形状モデルが存在しないと決定する。

この特徴構成によれば、形状認識手段は、最大で規定回数分、この標本群より任意に標本を抽出して、抽出した標本に基づいて形状モデルを定める。そして、標本群全体がこの形状モデルに対して、どの程度一致するかの適合度を演算し、どの形状モデルが標本群に最も適合するかを判定する。
任意に抽出した標本にノイズ性の標本が含まれていた場合には、定めた形状モデルと標本群との適合度は低くなり、ノイズ性の標本を含まずに形状モデルを定めた場合には、適合度は高くなる。従って、少ない演算量で、精度良く、ノイズ性の標本を除去して対象となる物体の輪郭形状を認識することができる。

形状認識手段は、標本群を構成する総数よりも遥かに少ない標本数で形状モデルを定めている。また、形状モデルに対する標本群の適合度は、各標本の空間上の座標を用いて、幾何学的に演算することができる。標本の抽出や形状モデルの設定、適合度の算出に必要となる演算量は少なくなり、最大で規定回数分、繰り返し異なる形状モデルを定めて適合度を演算しても総演算量の増大を抑制することができる。その結果、高い精度で輪郭形状を認識することができる。

さらに、形状認識手段の輪郭形状決定手段は、第一基準値以上の適合度を有する形状モデルが存在する場合は、上記規定回数に拘らず最先に第一基準値以上となった適合度を有する形状モデルを、輪郭形状として決定する。従って、繰り返し異なる形状モデルを定めて適合度を演算する過程で、第一基準値以上となる高い適合度を有する形状モデルがあれば、その時点で輪郭形状を定めて、処理を終了することができる。その結果、さらに総演算量を抑制することができる。
一方、規定回数分の形状モデルを設定し、適合度を算出しても、第一基準値以上の適合度が存在しない場合には、規定回数分求められた適合度の内、第一基準値より低い第二基準値以上で最大の適合度を有する形状モデルが、輪郭形状として決定される。第二基準値以上の適合度が存在しない場合には、輪郭形状に該当する形状モデルが存在しないと決定される。これにより、規定回数分の演算を行った後、輪郭形状として好ましくない形状を認識する可能性を抑制することができる。

また、本発明に係る物体認識装置の他の特徴構成は、上記構成に加え、下記構成を備えることにある。即ち、前記輪郭形状決定手段は、同一の前記標本群から求められた異なる前記形状モデルに対する前記適合度が、前記第二基準値より低い第三基準値以下となった回数が、規定検出回数に達した場合には、前記輪郭形状に該当する前記形状モデルが存在しないと決定する。

規定回数分の演算を行った後、全ての形状モデルに対する適合度が上記第二しきい値よりも小さいような場合、標本群は対象となる物体の表面形状情報を構成するものではない可能性が非常に高い。そして、このような標本群に対して、規定回数分計算された適合度は、何れも非常に低い値となる場合が多い。そこで、計算された適合度が、第三基準値以下であった回数が規定検出回数以上となった場合には、対象となる物体の表面形状情報を構成する標本群ではないと判定する。このようにすれば、規定回数分の演算を行うことなく、無駄な標本群に対する評価を打ち切ることができる。その結果、総演算量を抑制することができる。

以下、本発明の好適な実施形態を、車両が他の車両を認識する場合を例として、図面に基づいて説明する。
図１に示すように、移動体としての車両１０には、側方に向けて距離センサ１（物体検出手段）が搭載されている。この距離センサ１は、例えばポイントセンサ、即ち、シングルービームセンサや超音波を利用したソナー等である。車両１０は、駐停車中の他の車両２０（以下、駐車車両と称す。）のそばを図示Ｘ方向へ通過する際に、距離センサ１によって駐車車両２０までの距離を計測する。つまり、距離センサ１は、車両１０の移動に応じて駐車車両２０との距離を計測し、表面形状情報を取得する。これは後述する物体検出工程に相当し、駐車車両２０は本発明の物体に相当する。尚、図１には、簡略のため、車両１０の左側方にのみ距離センサ１を設けているが、当然両側方に設けていてもよい。

このようにして得られた駐車車両２０の表面形状情報は、車両１０の移動距離に応じた離散的なデータである。尚、車両１０の「移動距離に応じて」には、「所定時間間隔に応じて」の意味も含むものである。例えば、車両１０が等速で移動する場合には、所定時間間隔に応じて計測すれば、移動距離に応じて測定することになる。移動体１０の移動速度、移動距離、移動時間は、線形的に定まる。従って、結果として概ね均等に表面形状情報を得ることができる方法であれば、どのような方法を用いてもよい。
尚、距離センサ１は移動時間を計測するタイマ、移動距離を計測するエンコーダ、移動速度を計測する回転センサ等の付随するセンサを備えていてもよい。また、これらセンサを別に備え、情報を得るようにしていてもよい。

図２は、本発明に係る物体認識装置の概略ブロック図である。駐車車両２０の輪郭形状を認識する形状認識手段２は、例えばマイクロコンピュータ等の電子回路によって構成される。形状認識手段２を構成する各手段は、必ずしも物理的に異なる電子回路を示すものではなく、機能としての処理手段を示すものである。例えば、同一のＣＰＵによって、各手段の機能に応じたプログラムが実行されるものであってもよい。

形状認識手段２は、形状モデル設定手段３と、適合度演算手段４と、輪郭形状決定手段５とを有する。
形状モデル設定手段３は、表面形状情報を構成する標本群から任意の標本を抽出して、抽出された標本に基づいて形状モデルを定める。適合度演算手段４は、上記標本群に対する形状モデルの適合度を演算する。輪郭形状決定手段５は、同一の上記標本群から最大で規定回数（後述する規定演算回数）分定められる形状モデルに対する適合度に基づいて、輪郭形状となる形状モデルを決定する。

〔第一実施形態〕
以下、本発明に係る物体認識装置が物体としての駐車車両２０を認識する方法を、物体検出工程と、それに続いて物体の輪郭形状を認識する形状認識工程とに分けて説明する。

初めに、物体検出工程について説明する。図３に示すように、距離センサ１によって駐車車両２０上の表面形状情報Ｓが計測される。表面形状情報は、本実施形態において駐車車両２０のバンパー部の外形形状に沿った形で離散的に得られた計測データである。ここで、これら離散的に得られたデータの一群を標本群Ｓ（ラージエス）と称する。標本群Ｓは、輪郭形状の認識対象となるデータセットである。また、データセットを構成する一点一点のデータを標本ｓ（スモールエス）と称する。

形状認識手段２に入力された表面形状情報（標本群Ｓ）は、図１に示すＸ方向及びＹ方向を軸とする二次元直交座標上にマッピングされる。そして、図４（ｂ）に示すようにインデックスを付されて、形状モデル設定手段３の標本記憶部３ａに記憶される。標本記憶部３ａは、例えばマイクロコンピュータに内蔵されたメモリやレジスタで構成されている。勿論、マイクロコンピュータとは別体のメモリやハードディスクなど、他の記憶媒体を用いてもよい。

簡略化のため、図中には全ての標本ｓを示していないが、図４（ａ）に示した標本中、黒点で示す標本ｓをインライア、白抜き点で示す標本ｓをアウトライアと称する。図中、標本ｓ１、ｓ１３等はインライアであり、標本ｓ２、ｓ７、ｓ１０はアウトライアである。詳細は後述するが、インライアは駐車車両２０の輪郭形状を構成する標本である。アウトライアは駐車車両２０の輪郭形状から外れたいわゆるノイズ性の標本である。

以下、図７に示すフローチャートも利用して、得られた標本群Ｓより、駐車車両２０の輪郭形状を認識する手順（形状認識工程）について説明する。

標本抽出部３ｂは、標本群Ｓ（標本ｓ１〜ｓ１３）より任意の標本ｓｉ（ｉはインデックス番号）を数点抽出する（標本抽出工程：図７＃１）。抽出される標本ｓは、図５に示すように乱数を用いてランダムに定まる。例えば、形状認識手段２に乱数発生器（不図示）を設けて乱数を発生させる（図５（ａ））。そして、発生させた乱数をインデックス番号とする標本ｓｉを抽出する（図５（ｂ））。尚、乱数は、マイクロコンピュータにより構成された形状認識手段２が実行する乱数発生プログラムによって発生させてもよい。

標本抽出工程において抽出される標本の最小数は、認識したい対象形状によって異なる。例えば対象が直線であれば２点であり、二次曲線であれば５点である。本実施形態においては、駐車車両２０のバンパー形状を二次曲線に近似し、５点を抽出する。このようにして抽出された個々のデータ（標本ｓ）の集合は、データセットに対応する概念として、サブセットと称される。

続いて、このサブセット（抽出された標本ｓ）に基づいてモデル生成部３ｃが形状モデルを定める（形状モデル設定工程：図７＃２）。図６に実線で示したように、抽出された５つの標本ｓ１、ｓ５、ｓ８、ｓ１１、ｓ１３に基づいて第一の形状モデルＬ１が設定される。この形状モデルＬは、演算負荷の軽い線形計算により容易に求めることができる。または、予め数種類のテンプレート形状を用意しておき、これらテンプレート形状の中より最適なものを選択するようにして定めてもよい。あるいは、最小二乗法を用いて定めてもよい。最小二乗法を用いても、標本数が少ないため、演算負荷は比較的小さい。

形状モデルＬが定まると、適合度演算手段４において、標本群Ｓに対する形状モデルＬ（第一の形状モデルＬ１）の適合度が演算される（適合度演算工程：図７＃３）。
適合度は、以下のようにして求める。図６に示すように、形状モデルＬの接線に対して直交する両方向に所定距離離れた点を形状モデルＬに沿って結び、点線Ｂ１及びＢ２を定める。この点線Ｂ１及びＢ２に挟まれた部分が有効範囲Ｗとなる。そして、この有効範囲Ｗの中に、標本群Ｓを構成する各標本ｓｉが、どの程度含まれるかによって適合度を算出する。

図６に示した第一の曲線モデルＬ１に対する有効範囲Ｗの中には、標本ｓ２、ｓ７、ｓ１０のアウトライアを除く全ての標本ｓが含まれている。従って、第一の形状モデルＬ１の標本群Ｓに対する適合度は、７７％（＝１０／１３）となる。つまり、第一の形状モデルＬ１は、標本群Ｓを構成する各標本ｓにより、高い支持率（７７％）で合意（コンセンサス）を得たということができる。

適合度が求められると、前回までの最大の適合度よりも今回求めた適合度の方が高いか否かが判定される（更新判定工程：図７＃４ａ）。適合度の算出が初回の場合には、初期値（例えば、ゼロ）よりも高い値か否かが判定される。今回求めた適合度の方が高い場合は、この適合度と、これに対応する形状モデルＬがレジスタ等の一時記憶手段（不図示）に保存される（更新工程：＃４ｂ）。つまり、最大適合度と、これに対応する形状モデルが更新される。これら、更新判定工程と更新工程とを合わせて、適合度保存工程（＃４）と称する。本例では、適合度７７％と、形状モデルＬ１とが保存される。

次に、輪郭形状決定手段５において、この適合度が第一基準値ＴＨ１以上か否かを判定する（第一判定工程：図７＃５）。第一基準値ＴＨ１以上である場合には、適合度保存工程にて保存された形状モデルＬを輪郭形状として決定する（輪郭形状決定工程：図７＃８）。例えば、第一基準値ＴＨ１が７５％と設定されているような場合には、第一の形状モデルＬ１の適合度７７％が第一基準値ＴＨ１以上であるので、第一の形状モデルＬ１が輪郭形状と決定される。即ち、規定回数に拘らず、第一基準値以上の適合度を有する第一の形状モデルＬ１が輪郭形状と決定される。

ここで、第一基準値ＴＨ１が８０％と設定されていると、第一の形状モデルＬ１の適合度は、第一基準値ＴＨ１に達しない。この場合には、後述する規定回数判定工程（＃６）を経て、フローチャートの処理＃１に戻る。そして、再度、別の標本ｓを抽出して新たなサブセットを構成し、同様の処理を行う。この繰り返し回数は、規定演算回数（本発明の規定回数に相当する。）として予め規定される。

処理＃１〜＃４を規定演算回数繰り返しても第一基準値ＴＨ１以上の適合度が存在しない場合には、保存された最大適合度が第一基準値ＴＨ１よりも小さい第二基準値ＴＨ２（例えば７０％）以上か否かが判定される（第二判定工程：図７＃７）。第二基準値ＴＨ２以上の場合には、その適合度を有する形状モデルＬが輪郭形状と決定される。第二基準値ＴＨ２以上の適合度が存在しない場合には、保存された形状モデルＬと適合度とをリセットする（適合度初期化工程：＃９）。その結果、輪郭形状決定工程（＃８）において、「該当無し」、即ち、対象となる物体（駐車車両２０等）が無い、と決定される。

図８に示した形状モデルＬ（第二の形状モデルＬ２）では、サブセットとして標本ｓ２、ｓ４、ｓ７、ｓ１０、ｓ１３が抽出されている。上述したように標本ｓ２、ｓ７、ｓ１０は、駐車車両２０の輪郭形状から外れたいわゆるノイズ性の標本である。従って、駐車車両２０の輪郭形状から見た場合には、アウトライアとなるべき標本である。そのため、図８に示すように、第二の形状モデルＬ２の有効範囲Ｗから外れる標本ｓが多数存在する。第一の形状モデルＬ１と同様に適合度を演算すると、３８％（＝５／１３）となる。つまり、第二の形状モデルＬ２は、第一の形状モデルＬ１に比べ、標本群Ｓを構成する各標本ｓにより、高い支持率で合意（コンセンサス）を得られていないということになる。

第一の形状モデルＬ１、第二の形状モデルＬ２の何れの適合度も、第一基準値ＴＨ１以上でない場合、適合度保存工程（＃４）により、第一の形状モデルＬ１が保存されている。その結果、第二判定工程（＃７）を経て、輪郭形状決定工程（＃８）で第一の形状モデルＬ１が輪郭形状と決定される。
輪郭形状と決定された第一の形状モデルＬ１は、ノイズ性の標本ｓ２、ｓ７、ｓ１０が未使用であり、アウトライアとして、除去されたこととなる。即ち、上記説明したような少ない演算量で、非検出対象のデータ（アウトライア）が標本群に混在してもこれを除去し、安定して物体の形状を認識することができる。
尚、本実施形態においては、理解を容易にするために標本群Ｓを構成する標本ｓの総数を１３ケとしている。従って、標本数や、第一基準値ＴＨ１、第二基準値ＴＨ２の値は、本発明を限定する値ではない。

〔従来手法に対する効果〕
このような方法を用いず、標本Ｓより輪郭形状を算出する方法は従来、種々提案されている。特に直線の認識に好適なハフ（Hough）変換を応用する方法もある。ハフ変換はよく知られているように、直交座標（例えばＸＹ平面）上に存在する直線は、極座標（ρ−θ空間）上では１点で交差する、という性質を利用したもので、その変換式は、以下である。

ρ＝Ｘ・cosθ ＋Ｙ・sinθ

上記式より、理解できるように極座標空間でρやθの範囲を広げたり、細かい分解能を得たりしようとすると、それだけ演算量が増大する。つまり、一次記憶手段としての、メモリは大容量が要求され、計算回数も多くなる。
これに対し、本発明に係る認識方法は、必要となるメモリ容量も少なく、演算量も少ない。よって、演算時間も短くなる。

一般に少ない標本数に基づいて定めた形状モデルＬは、正確な輪郭形状を再現するものではない、とも考えられる。しかし、本発明においては、形状モデルＬと標本群Ｓの全標本との適合度を評価しているため、結果として全標本を評価している。従って、形状モデルＬはほぼ正確に輪郭形状を再現（認識）できていると考えてよい。このように、サブセットを構成する少ない標本数から定めた形状モデルＬが輪郭形状を再現できることは、演算量の削減に大きく貢献している。

〔処理時間の短縮効果１〕
以上説明したように、図７に例示したフローチャートでは、第一判定工程（＃５）を行うことにより、一般に考えられる処理時間を短縮し、高速処理を可能としている。以下、本発明による処理時間の短縮効果について説明する。図９は、図７のフローチャートに対比させる一般的な処理を示すフローチャートである。図１０は、同一の標本群Ｓに対して定められた異なる形状モデルＬに対する適合度を５０回算出した結果（規定演算回数：５０回）を示す散布図である。尚、演算順序を明確に示すため、散布図を折れ線グラフで示している。

図９に示したフローチャートに従って演算が行われる場合を考える。規定回数判定工程（＃６０）において、演算回数が５０回に達したことが確認されるまで、標本抽出工程（＃１０）から適合度保存工程（＃４０）が５０回繰り返される。そして、輪郭形状決定工程（＃８０）において、最大の適合度を有する形状モデルＬが輪郭形状と決定される。本例では、４９回目の演算処理における９８％の適合度が最大値であるので、４９回目に設定された形状モデルＬが輪郭形状と決定される。
尚、図７の第二判定工程（＃７）に相当する処理は、説明を容易にするため、省略した。

同様に図７に示したフローチャートに従って、演算が行われる場合、即ち本発明に係る方法を採る場合を考える。ここで、第一基準値ＴＨ１は９０％、第二基準値ＴＨ２は６０％に設定されている。規定回数判定工程（＃６）において、演算回数が５０回に達したことが確認されるまでに、第一判定工程（＃５）にて、第一基準値ＴＨ１以上の適合度を有する形状モデルＬの存在が確認される。本例では、９回目の演算処理における９６％の適合度を有する形状モデルＬが該当する。そして、輪郭形状決定工程（＃８）において、この形状モデルＬが輪郭形状と決定される。

つまり、図９に示した一般的な処理と比較して、約９／５０の時間で輪郭形状を決定することができる。厳密には、第一判定工程（＃５）の判定時間が余分に掛かるが、大きな短縮効果を得ることができる。実用的には、第一基準値ＴＨ１以上となる適合度が何回目の演算時に算出されるかは確立的な要素が大であるが、統計学的にはこの回数も分散する。従って、規定演算回数全ての演算処理を行うよりも汎用的な高速化効果が得られる。

上記例において、適合度の違いは２％である。第一基準値ＴＨ１を適切な値に設定すれば、適合度の違いによる形状モデルＬの差は大きな問題とはならない。適切な値は、標本群Ｓに対するアウトライアの混入率など、実用性を考慮して定められる。アウトライアの混入率は、対象とする物体の特性や、物体の表面形状情報を検出する物体検出手段１の特性、検出時の環境（気温、周囲の明るさ、時刻、気象条件）などを加味して定めることができる。つまり、恒久的な値とする必要はなく、物体認識装置の稼動中に変更可能にされていてもよい。第二基準値ＴＨ２についても同様である。

尚、更新判定工程（＃４a）の結果が「否」であった場合、図７に示す実線の如く第一判定工程（＃５）へ進む必要はない。点線で示すように第一判定工程（＃５）を飛ばしても構わない。前回までの適合度よりも高いと判定されない場合、適合度が第一基準値ＴＨ１以上となることはない。仮に、第一基準値ＴＨ１以上となるならば、既に前回の時点で第一基準値ＴＨ１以上となるからである。

〔第二実施形態及び処理時間の短縮効果２〕
図１１は、図１０とは異なる同一の標本群Ｓに対して定められた異なる形状モデルＬに対する適合度を５０回算出した結果を示す散布図である。図１０に示した例とは異なり、物体の表面形状情報が正確に検出できていない、あるいは対象となる物体が存在していない場合の演算結果を示している。
図１１から明らかなように、第一基準値ＴＨ１はおろか、第二基準値ＴＨ２以上の適合度も算出されていない。また、図１０に示した散布図では低い適合度から高い適合度まで、広範囲に分布しているが、図１１に示した散布図では低い適合度に分布が集中している。

図１１に示したような標本群Ｓの場合、図７に示したフローチャートに従って演算処理を進めると、規定演算回数である５０回の繰り返しの後、第二判定工程（＃７）において、「該当無し」と決定される。つまり、輪郭形状として何れの形状モデルＬも定められないにも拘らず、最大の処理時間を費やすこととなる。
そこで、上記のような標本群Ｓの特性に注目し、第三基準値ＴＨ３を設けて、早期に処理を中止して、処理時間を短縮する。

図１２は、第二実施形態に係るフローチャートである。図７に示した第一判定工程（＃５）と規定回数判定工程（＃６）との間に、第三判定工程（＃５Ｂ）を追加している。この形態に限らず、例えば、適合度保存工程（＃４）と第一判定工程（＃５）との間に第三判定工程（＃５Ｂ）を追加してもよい。
第三判定工程（＃５Ｂ）では、適合度が第三基準値ＴＨ３以下であった回数（検出回数）が、規定検出回数に達したか否かを判定する。そして、規定検出回数に達した場合には、以降、新たな形状モデルＬの設定及び適合度の演算を中止し、保存されている形状モデルＬと適合度とをリセットする（＃９）。そして、当該標本群Ｓには輪郭形状に該当する形状モデルＬがないと決定する（＃８）。

図１１に示した例では、第三基準値ＴＨ３は２０％、規定検出回数は５回に設定されている。本例では、１回目（１８％）、３回目（２０％）、５回目（９％）、６回目（１５％）、８回目（７％）の適合度が２０％以下である。従って、８回目の演算処理において、検出回数が５回（規定検出回数）に達し、輪郭形状に該当する形状モデルＬがないと決定される。つまり、図７に示した処理と比較して、約８／５０の時間で一つの標本群Ｓに対する処理を終了することができる。
尚、第三基準値ＴＨ３、規定検出回数の値は、第一基準値ＴＨ１と同様に実用性を考慮して適切な値に定められる。

〔認識結果の利用例〕
以下、上述した物体の輪郭形状の認識結果を利用する例を説明する。図１３に示すように、マイクロコンピュータ２Ａ内に、形状認識手段２と相対配置演算手段６とが備えられる。形状認識手段２において、車両１０から見た駐車車両２０の輪郭形状、即ちバンパー形状が認識される。この認識に際して、距離センサ１を用いて駐車車両２０の表面形状情報を取得しているため、車両１０と駐車車両２０との距離情報も同時に得ることができている。相対配置演算手段６は、この距離情報と、輪郭形状とを用いて、車両１０と駐車車両２０との相対配置を演算する。

ここで、相対配置とは、車両１０の各部と駐車車両２０の各部との相対位置である。車両１０の外形形状は、自己の形状であるため、既知である。そして、車両１０から見た駐車車両２０の輪郭形状は、上述したように認識できている。これらにより、相対配置演算手段６において図１４に示すように車両１０と駐車車両２０との相対配置を演算する。尚、図１４では理解を容易にするために、駐車車両２０全体を点線で示しているが、実際には認識された輪郭形状Ｅと、車両１０との相対配置が演算される。勿論、他の場所も含めて輪郭形状Ｅを認識している場合には、全ての相対配置を演算することができる。

この相対配置は、ディスプレイ等の報知手段に表示することもできる。車両１０にナビゲーションシステム等を搭載している場合には、そのモニタを兼用してもよい。表示（報知）に際しては、車両１０の外形と、認識した輪郭形状Ｅとを表示する。あるいは、輪郭形状Ｅに基づいて駐車車両２０の全体をイラストとして表現し、車両１０と駐車車両２０との相対配置関係を表示してもよい。
また、視覚的な報知に限らず、ブザーやチャイム等を用いて音声（音響を含む）により報知してもよい。ナビゲーションシステムには音声ガイドの機能を備えているものもあり、この音声ガイドの機能を兼用してもよい。

また、図１３に示すように車輪速センサ７ａや舵角センサ７ｂ等、車両１０の移動状態を検出する移動状態検出手段７を具備すれば、近未来の相対配置を演算することもできる。つまり、輪郭形状Ｅが認識されている現在の相対配置を知るに留まらず、将来の相対配置関係を推定（予測）することができる。図１４は、このようにして算出された車両１０と駐車車両２０の輪郭形状Ｅとの相対配置関係の一例を示している。符号１０Ａは車両１０の近未来の位置、即ち推定（予測）位置である。
ここで、車輪速センサ７ａは、車両１０の各車輪部（前方右ＦＲ、前方左ＦＬ、後方右ＲＲ、後方左ＲＬ）に備えられた、例えば、ホールＩＣを利用した回転センサである。舵角センサ４ｂは、車両１０のステアリングの回転角度やタイヤの回動角度を検出するセンサである。あるいは、前述の車輪速センサ４ａの各車輪部での計測結果（左右の車輪の回転数や回転速度の違い）に基づいて舵角を演算する演算装置であってもよい。

〔その他の実施形態〕
物体検出手段は、図１に示したような車両１０の移動に伴って駐車車両２０の表面形状情報を検出する距離センサ１に限定されることはない。
距離センサ１は、車両１０の移動に拘らず表面形状情報を出力し、後段の情報処理において、移動距離毎、経過時間毎に選別することも可能である。また、車両１０の移動に拘らず駐車車両２０に対する広角エリアを走査する走査手段を備え、得られた走査情報に基づいて表面形状情報を検出するものであってもよい。即ち、ポイントセンサに限らず、一次元センサ、二次元センサ、三次元センサ等、物体の形状を反映した信号（表面形状情報）を得られるセンサが使用できる。

一次元センサの一例として、スキャン型レーザーセンサがある。センサ位置より放射状に物体（駐車車両２０）を走査し、物体の各位置からのレーザー波の反射により、距離の分布を計測する。レーザー波を発射したときの方位角θをエンコーダ等により検出しておけば、図３に示したものと同様に表面形状情報を得て、ＸＹ直交座標にマッピングすることができる。
一次元センサの他の例として、超音波方式のレーダ、光方式のレーダ、電波方式のレーダ、三角測量式の距離計等を用いてもよい。

二次元センサとしては、水平・垂直方向に走査可能なスキャン型レーダがある。このスキャン型レーダを用いることにより、対象物体の水平方向の形状、垂直方向の形状に関する情報を得ることができる。
また、よく知られた二次元センサとしてはＣＣＤ（Charge Coupled Device）や、ＣＩＳ（CMOS Image Sensor）を利用したカメラ等の画像入力手段もある。このカメラより得られた画像データより、輪郭線情報、交点情報等の各種特徴量を抽出し、表面形状に関する情報を得てもよい。
三次元センサについても同様であり、例えばステレオ撮影した画像データ等を用いて、形状に関する情報を得てもよい。

以上、本発明の実施形態を、駐車車両２０を物体として、この輪郭形状を認識する方法及び装置とこれらの追加的特徴について説明した。この「物体」は、駐車車両や、建造物等の障害物に限らず、道路の走行レーンや、停止線、駐車枠等、種々のものが該当する。即ち、認識対象も立体物の輪郭形状に限定されるものではなく、平面模様の形状認識にも適用できるものである。

本発明に係る物体認識装置を搭載した車両が他の車両を認識する場合の例を示す説明図本発明に係る物体認識装置の概略ブロック図図１の駐車車両の表面形状情報を測定した結果を示す図図３に示す測定結果を二次元直交座標上にマッピングした散布図図４の散布図に示す標本群から任意に標本を抽出する方法を示す説明図図４の散布図に示す標本群から任意に抽出した標本より定めた第一の形状モデルと標本群との適合度を算出する原理を示す説明図図４の散布図に示す標本群から輪郭形状を認識する本発明に係る方法（第一実施形態）を説明するフローチャート図４の散布図に示す標本群から任意に抽出した標本より定めた第二の形状モデルと標本群との適合度を演算する原理を示す説明図図４の散布図に示す標本群から輪郭形状を認識する一般的な方法を説明するフローチャート同一の標本群に対して定められた異なる形状モデルに対する適合度を５０回算出した結果の一例を示す散布図同一の標本群に対して定められた異なる形状モデルに対する適合度を５０回算出した結果の他の例を示す散布図図４の散布図に示す標本群から輪郭形状を認識する本発明に係る方法（第二実施形態）を説明するフローチャート本発明の物体認識装置を利用する装置の概略ブロック図図１３の装置を搭載した車両と他の車両の輪郭形状との相対配置関係を示す説明図

符号の説明

１距離センサ（物体検出手段）
２形状認識手段
３形状モデル設定手段
４適合度演算手段
５輪郭形状決定手段
Ｓ標本群
ｓ標本

Claims

移動体周辺に存在する物体の表面形状情報を検出する物体検出手段と、前記表面形状情報に基づいて前記物体の輪郭形状を認識する形状認識手段とを備え、前記移動体周辺に存在する物体を認識する物体認識装置であって、
前記形状認識手段は、
最大で規定回数分、前記表面形状情報を構成する標本群から任意の標本を抽出し、抽出された前記標本に基づいて形状モデルを定める形状モデル設定手段と、
前記標本群に対する前記各形状モデルの適合度を演算する適合度演算手段と、
前記形状モデルに対する前記適合度に基づいて前記輪郭形状となる前記形状モデルを決定する輪郭形状決定手段と、を備え、
前記輪郭形状決定手段は、
第一基準値以上の前記適合度が存在する場合は、前記規定回数に拘らず最先に前記第一基準値以上となった前記適合度を有する前記形状モデルを、
存在しない場合には、前記規定回数分求められた前記適合度の内、前記第一基準値より低い第二基準値以上で最大の前記適合度を有する前記形状モデルを、前記輪郭形状として決定すると共に、
前記第二基準値以上の前記適合度が存在しない場合には、前記輪郭形状に該当する前記形状モデルが存在しないと決定し、
同一の前記標本群から求められた異なる前記形状モデルに対する前記適合度が、前記第二基準値より低い第三基準値以下となった回数が、規定検出回数に達した場合には、前記輪郭形状に該当する前記形状モデルが存在しないと決定する物体認識装置。