JP6888694B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Description

本発明は、車両の乗員数を算出する技術に関する。

ＨＯＶ（High-Occupancy Vehicle）レーンやＨＯＴ（High-Occupancy Toll）レーンといった、乗員数が規定数以上の車両が優遇される専用レーンを有する道路が存在する。優遇の適用可否を判断するために、専用レーンを走行する車両の乗員数を算出する技術が望まれている。

車両の乗員数を算出する技術の一例が、下記特許文献１に開示されている。下記特許文献１の技術では、座席制御装置が、車載カメラにより生成された画像の解析結果、車載マイクロフォンにより収集された音声の解析結果、車両内の携帯電話機との通信結果など、様々な種類の情報を用いて、乗車人数を認識する技術が開示されている。

特開２００７−２１６９２０号公報

コンピュータが車両の乗員数を算出した場合において、その算出結果に誤りが生じる可能性がある。そのため、コンピュータによる乗員数の算出結果の正否を、人が目視で確認することもある。しかしながら、車両の乗員数を算出するためにコンピュータが取り扱う情報は一般的に膨大であり、人手でその全てを確認するのは現実的ではない。何らかの基準に従って、目視確認対象を絞り込む技術が望まれる。

本発明は、上記の課題に鑑みてなされたものである。本発明の目的の一つは、コンピュータが車両の乗員数を算出するために処理した情報のうち、人が目視確認すべきものを絞り込む技術を提供することである。

本発明によれば、
道路を通行している車両をセンシングして得たセンシング結果を解析することにより、当該車両の乗員数および当該乗員数の確信度を算出する算出手段と、
解析の結果として所定の基準を満たさない前記乗員数の確信度が算出された前記センシング結果を選択する選択手段と、
前記選択手段により選択された前記センシング結果を、他の前記センシング結果と区別可能な状態にする処理手段と、
を備え、
前記算出手段は、
前記車両の座席毎に人物が存在すると判断したときの信頼度を算出し、
前記座席毎の信頼度を用いて前記車両の乗員数として可能性のある数毎に確信度を算出する、
情報処理装置が提供される。

本発明によれば、
少なくとも１台のコンピュータが、
道路を通行している車両をセンシングして得たセンシング結果を解析することにより、
前記車両の乗員数を算出し、
前記車両の座席毎に人物が存在すると判断したときの信頼度を算出し、
前記座席毎の信頼度を用いて前記車両の乗員数として可能性のある数毎に確信度を算出し、
解析の結果として所定の基準を満たさない前記乗員数の確信度が算出された前記センシング結果を選択し、
前記選択された前記センシング結果を、他の前記センシング結果と区別可能な状態にする、
ことを含む情報処理方法が提供される。

本発明によれば、
コンピュータに、上記情報処理方法を実行させるプログラムが提供される。

本発明によれば、コンピュータが車両の乗員数を算出するために処理した情報のうち、人が目視確認すべきものを絞り込む技術が提供される。

上述した目的、およびその他の目的、特徴および利点は、以下に述べる好適な実施の形態、およびそれに付随する以下の図面によってさらに明らかになる。

本発明に係る情報処理装置の動作を概念的に示す図である。 情報処理装置の機能構成を概念的に示すブロック図である。 情報処理装置のハードウエア構成を例示するブロック図である。 情報処理装置によって実行される処理の流れを例示するフローチャートである。 算出部が車両の座席毎の信頼度を算出する流れを概念的に示す図である。 下位ノードのエビデンスが上位ノードに伝播する様子を概念的に例示する図である。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また各ブロック図において、特に説明がない限り、各ブロックは、ハードウエア単位の構成ではなく機能単位の構成を表している。

［実施形態］
〔概要〕
図１は、本発明に係る情報処理装置１０の動作を概念的に示す図である。なお、図１は、情報処理装置１０の動作の理解を容易にすることを目的とする単なる例示である。よって、情報処理装置１０の動作は図１によって何ら限定されない。

情報処理装置１０の動作は、乗員数算出フェーズと、解析結果確認フェーズとを少なくとも含む。以下、それぞれのフェーズについて概略的に説明する。

＜乗員数算出フェーズ＞
乗員数算出フェーズにおいて、情報処理装置１０は、まず、車両Ｖのセンシング結果を取得する。ここで、車両Ｖのセンシング結果は、カメラ、マイク、ミリ波レーダーなどのセンシング装置２０により生成される。なお、図１に例示されているセンシング装置２０はカメラである。この場合のセンシング結果は車両Ｖの画像である。図１の例では、センシング装置２０は、車両Ｖを側面から撮影した画像Ｐ_１〜Ｐ_ｎを生成している。そして、情報処理装置１０は、取得した車両Ｖのセンシング結果を解析することによって、当該車両Ｖの乗員数及び当該乗員数の確信度を算出する。そして、情報処理装置１０は、算出した車両Ｖの乗員数及び当該乗員数の確信度（解析結果）を、解析で使用したセンシング結果と対応付けて所定の解析結果データベース３０に記憶する。なお、解析結果データベース３０は、情報処理装置１０または情報処理装置１０と通信可能な外部装置（図示せず）に構築される。

＜解析結果確認フェーズ＞
解析結果確認フェーズにおいて、情報処理装置１０は、データベース３０を参照し、所定の基準を満たさない確信度が対応付けられているセンシング結果を選択する。そして、情報処理装置１０は、選択したセンシング結果を、他のセンシング結果（基準を満たす確信度が対応付けられているセンシング結果）と区別可能な状態にする。例えば、情報処理装置１０は、図１に例示されるようなリストＬを表示することができる。図１に例示されるリストでは、情報処理装置１０により選択されたセンシング結果に特別なマークが付されている。また、図１に例示されるリストでは、情報処理装置１０により選択されたセンシング結果に対応する行の背景色が、その他のセンシング結果に対応する行の背景色と異なっている。

本発明に係る情報処理装置１０によれば、確信度が算出される。また、情報処理装置１０が、あるセンシング結果を処理して算出した確信度が予め決められた基準を満たしていない場合、そのセンシング結果がその他のセンシング結果と区別可能な状態となる。「情報処理装置１０により算出された確信度が基準を満たしていない」場合とは、言いかえると、「情報処理装置１０による処理結果の誤りが所定の度合い以上の確率で想定される」ということである。従って、本実施形態によれば、基準を満たさない確信度と対応付けられたセンシング結果（人手で確認すべき対象）を、確認作業者が一目で把握できるようになる。

〔機能構成例〕
図２は、情報処理装置１０の機能構成を概念的に示すブロック図である。図２に示されるように、情報処理装置１０は、算出部１１０、選択部１２０、および処理部１３０を有する。

算出部１１０は、道路を通行している車両をセンシングして得たセンシング結果を解析することにより、当該車両の乗員数及び当該乗員数の確信度を算出する。選択部１２０は、解析の結果として所定の基準を満たさない乗員数の確信度が算出されたセンシング結果を選択する。処理部１３０は、選択部１２０により選択されたセンシング結果を、他のセンシング結果と区別可能な状態にする。

〔ハードウエア構成例〕
情報処理装置１０の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、情報処理装置１０の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

図３は、情報処理装置１０のハードウエア構成を例示するブロック図である。情報処理装置１０は、バス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０を有する。

バス１０１０は、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２０などを互いに接続する方法は、バス接続に限定されない。

プロセッサ１０２０は、ＣＰＵ（Central Processing Unit） やＧＰＵ（Graphics Processing Unit）などで実現されるプロセッサである。

メモリ１０３０は、ＲＡＭ（Random Access Memory）などで実現される主記憶装置である。

ストレージデバイス１０４０は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカード、又はＲＯＭ（Read Only Memory）などで実現される補助記憶装置である。ストレージデバイス１０４０は情報処理装置１０の各機能（算出部１１０、選択部１２０、処理部１３０など）を実現するプログラムモジュールを記憶している。プロセッサ１０２０がこれら各プログラムモジュールをメモリ１０３０上に読み込んで実行することで、各プログラムモジュールに対応する各機能が実現される。また、ストレージデバイス１０４０は、解析結果データベース３０の格納場所として利用され得る。

入出力インタフェース１０５０は、情報処理装置１０と各種入出力デバイスとを接続するためのインタフェースである。入出力インタフェース１０５０には、例えば、マウスやキーボードといった入力装置１０５２、および、ディスプレイやスピーカーといった出力装置１０５４が接続される。

ネットワークインタフェース１０６０は、情報処理装置１０をネットワークに接続するためのインタフェースである。このネットワークは、例えばＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）である。ネットワークインタフェース１０６０がネットワークに接続する方法は、無線接続であってもよいし、有線接続であってもよい。情報処理装置１０は、ネットワークインタフェース１０６０を介して、例えばセンシング装置２０といった外部装置と通信可能に接続される。

なお、図３に例示されるハードウエア構成はあくまで一例であり、本発明に係る情報処理装置１０のハードウエア構成はこれに限定されない。

〔処理の流れ〕
以下、情報処理装置１０により実行される処理の流れについて説明する。図４は、情報処理装置１０によって実行される処理の流れを例示するフローチャートである。算出部１１０は、センシング装置２０により生成された車両のセンシング結果を用いて、当該車両の乗員数および当該乗員数の確信度を算出する（Ｓ１０２）。算出部１１０は、車両の乗員数および当該乗員数の確信度を、それらを算出した際に用いたセンシング結果と対応付けて解析結果データベース３０に記憶する。なお、解析結果データベース３０は、例えばストレージデバイス１０４０上に用意されている。そして、選択部１２０は、所定の基準を満たしていない確信度が対応付けられているセンシング結果を選択する（Ｓ１０４）。一例として、所定の基準は、確信度について予め設定された閾値であり、例えばストレージデバイス１０４０に予め記憶されている。この場合、選択部１２０は、ストレージデバイス１０４０から閾値を読み出し、当該閾値と各センシング結果に対応付けられている確信度とを比較する。そして、選択部１２０は、比較の結果として、閾値よりも低い確信度が対応付けられているセンシング結果を特定する。そして、処理部１３０は、選択部１２０により選択されたセンシング結果を、他のセンシング結果と区別可能にする（Ｓ１０６）。処理部１３０は、例えば、図１のリストＬで示されるように、対応付けられた確信度が基準を満たしていないセンシング結果に所定のマークを付したり、当該センシング結果に対応する行の背景色を変えたりする。これにより、対応付けられた確信度が基準を満たしていないセンシング結果が、他のセンシング結果と区別可能になる。なお、処理部１３０は、算出部１１０により算出された確信度と所定の基準との乖離度合いに応じて、マークや背景色などを異ならせるように構成されていてもよい。

なお、選択部１２０および処理部１３０は、情報処理装置１０のオペレータによる処理実行入力操作（例えば、図示しない業務画面上に用意されたボタンの押下など）に応じて、動作を開始することができる。また、選択部１２０は、オペレータの処理実行入力操作に依らず、予め設定されたスケジュール等に従って自動的に動作を開始してもよい。

以下では、算出部１１０の動作をより詳細に説明する。

＜信頼度の算出＞
算出部１１０は、センシング装置２０により生成された車両のセンシング結果を用いて、当該車両の座席毎に人物が存在すると判断したときの信頼度を算出する。例えば、センシング装置２０が撮像装置の場合、算出部１１０は、１台の撮像装置で撮影された複数のフレーム画像、或いは、２台以上の撮像装置で多角的に撮影された複数の画像を、解析対象のセンシング結果として取得することができる。ここで、複数の画像を用いる場合、乗員数を算出するためには、各画像での処理結果を統合する必要がある。例えば、ある画像を処理することでカウントされた人物が他の画像に存在するか否か、また、処理対象の画像の中に未だカウントされていない人物が存在するか否かを判別する必要がある。算出部１１０は、各画像での処理結果を統合する関数（以下、「統合関数」と表記）を用いて、複数の画像での処理結果を基に、最終的な乗員数を算出することができる。特に限定されないが、統合関数の具体例としては、車両の移動距離に基づいて同一人物を判定する関数、画像中の人物と判定された領域間の距離により同一人物を判定する関数、画像中で人物の顔と判定された領域の座標が車両内か車両外かによって車両の乗員か否かを判定する関数、人物の顔の高さの平均値との差分を基に車両の乗員か否かを判定する関数、顔検出処理で顔と判定された領域に対してヘッドレストか否かを判定する処理を適用する関数、顔検出スコア（顔としての確からしさ）と顔の検出回数を算出する関数などである。

算出部１１０が車両の座席毎に信頼度を算出する流れの一例を、図５を用いて説明する。図５は、算出部１１０が車両の座席毎の信頼度を算出する流れを概念的に示す図である。なお、図５では、乗員６名までの確信度を算出するケースが例示されている。

図５には、ＢＢＮ（Bayesian Belief Network）が描かれている。このＢＢＮにおいて、ノードＡ_ｉ（ｉ＝１，２，・・・Ｎ、Ｎは統合関数の総数）は、車両の座席Ａについて、上述したような統合関数の中のある１つの関数ｉを適用することを示す。ノードＢ_ｉ、Ｃ_ｉ、Ｄ_ｉ、Ｅ_ｉ、Ｆ_ｉも同様に、それぞれ、車両の座席ＢからＦについて関数ｉを適用することを示している。なお図５では、説明を簡潔にするため、座席毎のノードがライン状に繋がっている例を示しているが、ＢＢＮの形状はライン状に限定されない。ＢＢＮの形状は、例えば、それぞれの統合関数の関連性に応じて、ツリー状に構成されていてもよい。また、ノードＰは、事前確率を示す。ノードＰに与えられる事前確率は、例えば、センシング装置２０の設置場所を通過する車両の乗員数の統計に基づいて予め算出される。ノードＸは、ノードＡ_１乃至Ｆ_１それぞれから渡される座席毎の信頼度と、ノードＰに与えられた事前確率とを用いて、車両の乗員数として取り得る数毎の確信度を算出するスキームを示す。車両の乗員数として取り得る数毎の確信度を算出するスキームについては後述する。

算出部１１０は、図５に例示されるようなＢＢＮ（Bayesian Belief Network）を用いて、例えば次のように、座席毎の信頼度を算出する。算出部１１０は、まず、各ノードに対応する関数を用いて、人物が存在すると判断した信頼度をノード毎に算出する。ここで、ある下位ノードでの処理が完了して信頼度が算出された場合、当該下位ノードで算出された信頼度（これを「エビデンス」とも呼ぶ）が、隣接する上位ノードに伝播される。具体的な例として、下位ノードの関数が「画像中で人物の顔と判定された領域の座標が車両内か車両外かによって乗員か否かを判定する関数」であると仮定する。この場合、算出部１１０は、顔と判定された領域が車両外と判定された場合に、ネガティブ（人物が存在しない）のエビデンスを大きく、かつ、ポジティブ（人物が存在する）のエビデンスを小さく算出する。また、算出部１１０は、顔と判定された領域が車両内と判定された場合に、ネガティブ（人物が存在しない）のエビデンスを小さく、かつ、ポジティブ（人物が存在する）のエビデンスを大きく算出する。また他の例として、下位ノードの関数が、「人物の顔の高さの平均値との差分を基に車両の乗員か否かを判定する」であると仮定する。この場合、算出部１１０は、画像で検出された人物の顔の高さと、人物の顔の高さの平均値とを比較した結果、所定の許容値よりも大きい場合に、ネガティブ（人物が存在しない）のエビデンスを大きく、かつ、ポジティブ（人物が存在する）のエビデンスを小さく算出する。また、算出部１１０は、画像で検出された人物の顔の高さと、人物の顔の高さの平均値とを比較した結果、所定の許容値以下の場合に、ネガティブ（人物が存在しない）のエビデンスを小さく、かつ、ポジティブ（人物が存在する）のエビデンスを大きく算出する。また、他の例として、下位ノードの関数が「顔検出処理で顔と判定された領域に対してヘッドレストか否かを検出する処理を適用する関数」であると仮定する。この場合、算出部１１０は、顔検出処理で顔と判定された領域がヘッドレスト検出によりヘッドレストと判定された場合に、ネガティブ（人物が存在しない）のエビデンスを大きく、かつ、ポジティブ（人物が存在する）のエビデンスを小さく算出する。また、算出部１１０は、顔検出処理で顔と判定された領域がヘッドレスト検出によりヘッドレストと判定されなかった場合に、ネガティブ（人物が存在しない）のエビデンスを小さく、かつ、ポジティブ（人物が存在する）のエビデンスを大きく算出する。また、他の例として、下位ノードの関数が「顔検出スコア（顔としての確からしさ）と顔の検出回数を算出する関数」であると仮定する。この場合、算出部１１０は、顔検出スコアと顔検出回数が所定の期待値未満の場合に、ネガティブ（人物が存在しない）のエビデンスを大きく、かつ、ポジティブ（人物が存在する）のエビデンスを小さく算出する。また、算出部１１０は、顔検出スコアと顔検出回数が所定の期待値以上の場合に、ネガティブ（人物が存在しない）のエビデンスを小さく、かつ、ポジティブ（人物が存在する）のエビデンスを大きく算出する。

下位ノードからエビデンスが伝播されてきた場合、算出部１１０は、当該下位ノードから伝播されたエビデンスを使って、上位ノードの信頼度を更新する。例えば図５の例では、上位ノードと下位ノードとの間において、図５の表に示されるような対応関係（尤度分布）が予め定義されている。図５の表において、例えば、左下に示される確率「０．７」は、関数Ａ_ｉでＴＲＵＥ（人物が存在する）と判定されたパターンが、関数Ａ_ｊではＦＡＬＳＥ（人物が存在しない）と判定される確率を示している。この表に示される確率は、例えば、予め用意されたデータを用いて、関数Ａ_ｉの判定結果およびノードＡ_ｊの判定結果の統計を取ることによって算出される。算出部１１０は、このような対応関係を利用して、下位ノードでの判定結果が確定した場合における上位ノードでの判定の確率（事後確率）を算出することができる。算出部１１０は、このように下位ノードから伝播されたエビデンスを使って、上位ノードの信頼度を更新していく。その結果、最終的な座席毎の信頼度が、座席毎の最上位ノード（Ａ_１、Ｂ_１、Ｃ_１、Ｄ_１、Ｅ_１、Ｆ_１）で算出される。座席毎の最上位ノードで算出された各信頼度は、後述の確信度の算出処理に用いられる。

下位ノードのエビデンスを用いて上位ノードの信頼度を更新する流れの一例を、図６を用いて説明する。図６は、下位ノードのエビデンスが上位ノードに伝播する様子を概念的に例示する図である。図６では、下位ノードＡ_２の関数で算出されるエビデンスｅ_２を用いて、上位ノードＡ_１のエビデンスｅ_１を再計算する流れが示されている。図６において、π（Ａ１）は、上位ノードからの信頼度伝搬ベクトルであり、π（Ｔ）およびπ（Ｆ）の２つの成分を有する。π（Ｔ）は、ノードＡ_１での判定結果がＴｒｕｅ（人物が存在する）であった場合の上位ノードからみた尤度（尤もらしさ）を表す。π（Ｆ）は、ノードＡ_１での判定結果がＦａｌｓｅ（人物が存在しない）であった場合の上位ノードからみた尤度（尤もらしさ）を表す。ＢＥＬ（Ａ１）ノードＡ_１で算出される信頼度であり、ＢＥＬ（Ｔ）およびＢＥＬ（Ｆ）の２つの成分を有する。ＢＥＬ（Ｔ）は、ノードＡ_１での判定結果がＴｒｕｅ（人物が存在する）である信頼度を表す。ＢＥＬ（Ｆ）は、ノードＡ_１での判定結果がＦａｌｓｅ（人物が存在しない）である信頼度を表す。また、αは、確率和を１とするための正規化定数である。また、λ（Ａ１）は、下位ノードからの信頼度伝搬ベクトルであり、λ（Ｔ）およびλ（Ｆ）の２つの成分を有する。λ（Ｔ）は、ノードＡ_１での判定結果がＴｒｕｅ（人物が存在する）であった場合の下位ノードからみた尤度（尤もらしさ）を表す。λ（Ｆ）は、ノードＡ_１での判定結果がＦａｌｓｅ（人物が存在しない）であった場合の下位ノードからみた尤度（尤もらしさ）を表す。算出部１１０は、各ノード間で図示されるような計算を実行する。

＜確信度の算出＞
ついで、上述のように算出された座席毎の信頼度を用いて、車両の乗員数として可能性のある数別に確信度を算出するスキームについて例示的に説明する。

算出部１１０は、例えば、下記の式（１）を用いて、車両の乗員数として可能性のある数別に確信度を算出することができる。下記の式（１）は、車両の乗員数として可能性のある数の尤度分布を算出するための式である。

上記式（１）において、ｎは車両の乗員数の真値である。また、ｎ’は、算出部１１０により算出された乗員数（推定値）である。また、ｘ（本明細書中において、ベクトルを表す矢印は数式を除いて省略する。その他のベクトルについても同様。）は、算出部１１０により算出されたノード（席）毎の信頼度で構成されるベクトルある。Ｎは、車両の最大乗員数である。また、θは、３種類のモデルパラメータ（α_ｉ，β_ｉ，γ_ｉ，ｊ）（１≦ｉ，ｊ≦Ｎ）で構成されるベクトルである。α_ｉは、乗員数の真値と算出部１１０により算出された乗員数（推定値）とのずれに対する重み係数である。β_ｉはオフセットである。γ_ｉ，ｊは、個々のノードのエビデンスに対する重み係数である。これらのモデルパラメータは、学習により予め求められる。なお、モデルパラメータの学習方法については後述する。

そして、ベイズの定理により、上記式（１）から下記の式（２）を導出することができる。なお、下記の式（２）において、ｐ（ｎ）は事前確率を表す。ｐ（ｎ）は、例えば、センシング装置２０の設置場所を通過する車両の乗員数の統計などを基に予め算出され、ストレージデバイス１０４０などに予め記憶されている。下記の式（２）は、各ノードの信頼値ベクトルｘ、算出部１１０により算出された乗員数ｎ’および、既知のパラメータベクトルθが与えられたときの事後確率、すなわち、確信度を表す。つまり、下記の式（２）は、上記式（１）の尤度分布および事前確率ｐ（ｎ）を用いて、車両の乗員数の真値ｎ（すなわち、車両の乗員数として可能性のある数）毎に確信度が算出可能であることを示している。

＜モデルパラメータの学習＞
算出部１１０は、例えば、モデルパラメータα_ｉ、β_ｉ、およびγ_ｉ，ｊを、下記の式（３）で示されるエラー関数Ｅ（θ）を最小化するようなθを求めることにより決定することができる。下記の式（３）において、ｘ^ｐおよびｎ’は学習データを示す。また、ｔ^ｐは、事前に決められた式（２）の出力の目標値である。

なお、エラー関数Ｅ（θ）を最小化するようなθは、例えば、下記の式（４）に示すような更新式によって求めることができる。

ただしθ^（ｔ）はｔ回目の更新で得られたθを表す。

なお、上記式（４）の右辺第２項（θによるエラー関数Ｅ（θ）の偏微分）は、下記の式（５）のように計算される。

上記式（５）の下線Ａおよび下線Ｂの部分を、下記のように場合分けして計算することにより、エラー関数Ｅ（θ）を最小化するモデルパラメータθが得られる。

・Ａの計算

・Ｂの計算

算出部１１０は、パラメータ最適化の繰り返し上限回数に到達した場合、或いは、エラー関数Ｅ（θ）の出力が所定の閾値以下となった場合に、上述の式を用いて算出されたモデルパラメータθを、例えば、ストレージデバイス１０４０に記憶する。算出部１１０は、確信度を算出する際には、ストレージデバイス１０４０に記憶されたモデルパラメータθを読み出して計算を実行することができる。

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。

また、上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下に限られない。
１．
道路を通行している車両をセンシングして得たセンシング結果を解析することにより、当該車両の乗員数および当該乗員数の確信度を算出する算出手段と、
解析の結果として所定の基準を満たさない前記乗員数の確信度が算出された前記センシング結果を選択する選択手段と、
前記選択手段により選択された前記センシング結果を、他の前記センシング結果と区別可能な状態にする処理手段と、
を備え、
前記算出手段は、
前記車両の座席毎に人物が存在すると判断したときの信頼度を算出し、
前記座席毎の信頼度を用いて前記車両の乗員数として可能性のある数毎に確信度を算出する、
情報処理装置。
２．
前記算出手段は、少なくとも１台の撮像装置を用いて撮像された複数の画像を用いて、前記席毎の信頼度を算出する、
１．に記載の情報処理装置。
３．
前記算出手段は、ＢＢＮ（Bayesian Belief Network）を用いて、前記席毎の信頼度を算出する、
１．または２．に記載の情報処理装置。
４．
前記算出手段は、下記の式（１）から得られる尤度分布を、ベイズの定理を用いて確信度に変換する、
１．から３．のいずれか１つに記載の情報処理装置。

但し、ｎ：前記車両の乗員数の真値、ｎ’：前記算出手段により算出された前記車両の乗員数、ｘ（ベクトルを表す矢印は省略）：前記座席毎の信頼度、θ（ベクトルを表す矢印は省略）＝（αｉ，βｉ，γｉ，ｊ）（１≦ｉ，ｊ≦Ｎ）：モデルパラメータであり定数、Ｎ：前記車両の最大乗員数。
５．
少なくとも１台のコンピュータが、
道路を通行している車両をセンシングして得たセンシング結果を解析することにより、
前記車両の乗員数を算出し、
前記車両の座席毎に人物が存在すると判断したときの信頼度を算出し、
前記座席毎の信頼度を用いて前記車両の乗員数として可能性のある数毎に確信度を算出し、
解析の結果として所定の基準を満たさない前記乗員数の確信度が算出された前記センシング結果を選択し、
前記選択された前記センシング結果を、他の前記センシング結果と区別可能な状態にする、
ことを含む情報処理方法。
６．
前記コンピュータが、少なくとも１台の撮像装置を用いて撮像された複数の画像を用いて、前記座席毎の信頼度を算出する、
ことを更に含む５．に記載の情報処理方法。
７．
前記コンピュータが、ＢＢＮ（Bayesian Belief Network）を用いて、前記座席毎の信頼度を算出する、
ことを更に含む５．または６．に記載の情報処理方法。
８．
前記コンピュータが、下記の式（１）から得られる尤度分布を、ベイズの定理を用いて確信度に変換する、
ことを更に含む５．から７．のいずれか１つに記載の情報処理方法。

但し、ｎ：前記車両の乗員数の真値、ｎ’：前記算出手段により算出された前記車両の乗員数、ｘ（ベクトルを表す矢印は省略）：前記座席毎の信頼度、θ（ベクトルを表す矢印は省略）＝（αｉ，βｉ，γｉ，ｊ）（１≦ｉ，ｊ≦Ｎ）：モデルパラメータであり定数、Ｎ：前記車両の最大乗員数。
９．
少なくとも１台のコンピュータに、５．から８．のいずれか１つに記載の情報処理方法を実行させるプログラム。

Claims (6)

1. 道路を通行している車両をセンシングして得たセンシング結果を解析することにより、当該車両の乗員数および当該乗員数の確信度を算出する算出手段と、
   解析の結果として所定の基準を満たさない前記乗員数の確信度が算出された前記センシング結果を選択する選択手段と、
   前記選択手段により選択された前記センシング結果を、他の前記センシング結果と区別可能な状態にする処理手段と、
   を備え、
   前記算出手段は、
   前記車両の座席毎に人物が存在すると判断したときの信頼度を算出し、
   前記座席毎の信頼度を用いて前記車両の乗員数として可能性のある数毎に確信度を算出する、
   情報処理装置。
2. 前記算出手段は、少なくとも１台の撮像装置を用いて撮像された複数の画像を用いて、前記座席毎の信頼度を算出する、
   請求項１に記載の情報処理装置。
3. 前記算出手段は、ＢＢＮ（Bayesian Belief Network）を用いて、前記座席毎の信頼度を算出する、
   請求項１または２に記載の情報処理装置。
4. 前記算出手段は、下記の式（１）から得られる尤度分布を、ベイズの定理を用いて確信度に変換する、
   請求項１から３のいずれか１項に記載の情報処理装置。
   

   

   但し、ｎ：前記車両の乗員数の真値、ｎ’：前記算出手段により算出された前記車両の乗員数、ｘ（ベクトルを表す矢印は省略）：前記座席毎の信頼度、θ（ベクトルを表す矢印は省略）＝（α_ｉ，β_ｉ，γ_ｉ，ｊ）（１≦ｉ，ｊ≦Ｎ）：モデルパラメータであり定数、Ｎ：前記車両の最大乗員数。
5. 少なくとも１台のコンピュータが、
   道路を通行している車両をセンシングして得たセンシング結果を解析することにより、
   前記車両の乗員数を算出し、
   前記車両の座席毎に人物が存在すると判断したときの信頼度を算出し、
   前記座席毎の信頼度を用いて前記車両の乗員数として可能性のある数毎に確信度を算出し、
   解析の結果として所定の基準を満たさない前記乗員数の確信度が算出された前記センシング結果を選択し、
   選択された前記センシング結果を、他の前記センシング結果と区別可能な状態にする、
   ことを含む情報処理方法。
6. 少なくとも１台のコンピュータに、請求項５に記載の情報処理方法を実行させるプログラム。

Images