特開 2025-2196 属性推定装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025002196

(43)【公開日】2025-01-09

(54)【発明の名称】属性推定装置

(51)【国際特許分類】

   G06T 7/00 20170101AFI20241226BHJP

【ＦＩ】

G06T7/00 660B

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023102194

(22)【出願日】2023-06-22

(71)【出願人】

【識別番号】511121768

【氏名又は名称】今井 龍一

(71)【出願人】

【識別番号】500063228

【氏名又は名称】田中 成典

(71)【出願人】

【識別番号】517305883

【氏名又は名称】山本 雄平

(71)【出願人】

【識別番号】519113745

【氏名又は名称】Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｔｙｌｅ株式会社

(74)【代理人】

【識別番号】100092956

【弁理士】

【氏名又は名称】古谷 栄男

(74)【代理人】

【識別番号】100101018

【弁理士】

【氏名又は名称】松下 正

(72)【発明者】

【氏名】今井 龍一

(72)【発明者】

【氏名】田中 成典

(72)【発明者】

【氏名】山本 雄平

(72)【発明者】

【氏名】姜 文渊

(72)【発明者】

【氏名】中原 匡哉

(72)【発明者】

【氏名】中畑 光貴

(72)【発明者】

【氏名】高野 精久

(72)【発明者】

【氏名】山中 亮

(72)【発明者】

【氏名】平野 順俊

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096AA09

5L096CA04

5L096DA02

5L096FA18

5L096FA60

5L096FA64

5L096FA66

5L096FA69

5L096HA11

5L096KA04

5L096KA15

(57)【要約】

【課題】 歩行する人物など形態が変化する対象物について、精度よくその属性を判断することのできる技術を提供する。
【解決手段】 計測器２は、歩行中の人物（歩行者）の表面各点までの距離を計測し、これに基づいて当該歩行者の三次元点群データを生成する。三次元点群データ群の生成処理４においては、歩行者の歩行中に計測して得た時系列の複数の三次元点群データに基づいて、時系列を区別可能な三次元点群データ群を生成する。属性推定処理６では、生成した三次元点群データ群に基づいて歩行者の属性を推定する。
【選択図】 図１

【特許請求の範囲】

【請求項1】

対象物の表面各点までの距離を計測して三次元点群データを生成する計測器を備え、
移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを計測器から取得し、
前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、
三次元点群データ群に基づいて、対象物の属性を推定する属性推定装置。

【請求項2】

対象物の表面各点までの距離を計測して三次元点群データを生成する計測器を備え、
少なくとも一つのプロセッサと、
当該少なくとも一つのプロセッサによって実行されるように構成された少なくとも一つのプログラムを記録するメモリと、
を備えた属性推定装置であって、
前記少なくとも一つのプログラムは、
移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを計測器から取得し、
前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、
三次元点群データ群に基づいて、対象物の属性を推定する属性推定装置。

【請求項3】

属性推定装置をコンピュータによって実現するための属性推定プログラムであって、
移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを計測器から取得し、
前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、
三次元点群データ群に基づいて、対象物の属性を推定する命令を備える属性推定プログラム。

【請求項4】

請求項１～３のいずれかの装置またはプログラムにおいて、
前記計測器は、ＬＩＤＡＲであることを特徴とする装置またはプログラム。

【請求項5】

請求項１～３のいずれかの装置またはプログラムにおいて、
前記移動中に外形形態が時間経過とともに変化する対象物は、歩行中の人物であることを特徴とする装置またはプログラム。

【請求項6】

請求項１～３のいずれかの装置またはプログラムにおいて、
前記時系列を区別可能に統合した三次元点群データ群は、各点の色、濃度または形状によって区別可能とした各時点の三次元点群データを重畳または並べたものであることを特徴とする装置またはプログラム。

【請求項7】

請求項１～３のいずれかの装置またはプログラムにおいて、
前記属性の推定は、前記三次元点群データ群の少なくとも縦、横、高さ寸法のいずれかを用いて、少なくとも大人であるか子供であるかを判断することを特徴とする装置またはプログラム。

【請求項8】

請求項１～３のいずれかの装置またはプログラムにおいて、
前記属性の推定は、三次元点群データ群に基づいて学習した推定モデルに、前記三次元点群データ群を与えて、属性を推定するものであることを特徴とする装置またはプログラム。

【請求項9】

請求項５の装置またはプログラムにおいて、
前記属性の推定は、歩行者が杖を持っているか、かばんやバッグを持っているか、スーツケースを持っているか、ベビーカーを押しているか、シルバーカーを使用しているかの少なくともいずれかの推定を行うものであることを特徴とする装置またはプログラム。

【請求項10】

移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを取得し、
前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、
三次元点群データ群に基づいて、対象物の属性を推定する属性推定装置。

【請求項11】

少なくとも一つのプロセッサと、
当該少なくとも一つのプロセッサによって実行されるように構成された少なくとも一つのプログラムを記録するメモリと、
を備えた属性推定装置であって、
前記少なくとも一つのプログラムは、
移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを取得し、
前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、
三次元点群データ群に基づいて、対象物の属性を推定する属性推定装置。

【請求項12】

属性推定装置をコンピュータによって実現するための属性推定プログラムであって、
移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを取得し、
前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、
三次元点群データ群に基づいて、対象物の属性を推定する命令を備える属性推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

この発明は、人物等の属性を推定する技術に関するものである。

【背景技術】

【0002】

都市計画やマーケティングのために、人物の流動を計数することが行われている。従前は、調査員が目視にて子供・大人・杖をつく人、かばんを持つ人などの属性を判断し、通行量等を計数していた。

【0003】

近年、ディープラーニングを用いて撮像した物体の種類を判別することが行われている（たとえばYOLOモデル）。この物体検知モデルを種々の人物によって学習し、学習済モデルにて人物の属性を判別する装置を実現することができる。

【0004】

しかしながら、上記のような学習済モデルによる人物の属性判定においては、人物の腕や脚が動くため、その属性の判断が困難であった。これを解決するため、特許文献１においては、人物の骨格情報を生成し、当該骨格情報から手や足などの情報を削除し、学習を行って推定を行うようにしている。これにより、歩行者についても、同一人物であるか否かを適切に判断することができる。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０２２－９０７６０

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、特許文献１のシステムでは、同一の人物であるかどうかの判断をできるものの、人物の属性までは推定することはできなかった。また、骨格情報を作成しなければならず、処理が煩雑であった。

【0007】

このような問題は、人物だけでなく、形態が変化する物体について共通する問題である。

【0008】

この発明は、上記のような問題点を解決して、歩行する人物など形態が変化する対象物について、精度よくその属性を判断することのできる技術を提供することにある。

【課題を解決するための手段】

【0009】

この発明の独立してまたは組み合わせて適用可能な特徴を以下に列挙する。

【0010】

(1)(2)(3)この発明に係る属性推定装置は、対象物の表面各点までの距離を計測して三次元点群データを生成する計測器を備え、移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを計測器から取得し、前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、三次元点群データ群に基づいて、対象物の属性を推定する。

【0011】

時系列を区別可能に統合した三次元点群データ群に基づいて、対象物の属性を推定するようにしているので、より正確な推定を行うことができる。

【0012】

(4)この発明に係る属性推定装置は、計測器が、ＬＩＤＡＲであることを特徴としている。

【0013】

したがって、夜間であっても計測を行って推定を行うことができる。

【0014】

(5)この発明に係る属性推定装置は、移動中に外形形態が時間経過とともに変化する対象物が、歩行中の人物であることを特徴としている。

【0015】

したがって、歩行者の属性を推定することができる。

【0016】

(6)この発明に係る属性推定装置は、時系列を区別可能に統合した三次元点群データ群が、各点の色、濃度または形状によって区別可能とした各時点の三次元点群データを重畳または並べたものであることを特徴としている。

【0017】

したがって、時間経過によって変化する外形を考慮して属性の推定を行うことができる。

【0018】

(7)この発明に係る属性推定装置は、属性の推定が、三次元点群データ群の少なくとも縦、横、高さ寸法のいずれかを用いて、少なくとも大人であるか子供であるかを判断することを特徴としている。

【0019】

したがって、三次元点群データ群の寸法に基づいて、より正確に判断することができる。

【0020】

(8)この発明に係る属性推定装置は、属性の推定が、三次元点群データ群に基づいて学習した推定モデルに、前記三次元点群データ群を与えて、属性を推定するものであることを特徴としている。

【0021】

したがって、学習済の推定モデルに基づいて、より正確に推定を行うことができる。

【0022】

(9)この発明に係る属性想定装置は、属性の推定が、歩行者が杖を持っているか、かばんやバッグを持っているか、スーツケースを持っているか、ベビーカーを押しているか、シルバーカーを使用しているかの少なくともいずれかの推定を行うものであることを特徴としている。

【0023】

したがって、これらの所持物などに基づく属性を推定することができる。

【0024】

(10)-(12)この発明に係る属性推定装置は、移動中に外形形態が時間経過とともに変化する対象物について複数の位置における三次元点群データを取得し、前記取得した三次元点群データに基づいて、時系列を区別可能に統合した三次元点群データ群を生成し、三次元点群データ群に基づいて、対象物の属性を推定することを特徴としている。

【0025】

時系列を区別可能に統合した三次元点群データ群に基づいて、対象物の属性を推定するようにしているので、より正確な推定を行うことができる。

【0026】

「装置」とは、１台のコンピュータによって構成されるものだけでなく、ネットワークなどを介して接続された複数のコンピュータによって構成されるものも含む概念である。したがって、本発明の手段（あるいは手段の一部でもよい）が複数のコンピュータに分散されている場合、これら複数のコンピュータが装置に該当する。

【0027】

「プログラム」とは、ＣＰＵにより直接実行可能なプログラムだけでなく、ソース形式のプログラム、圧縮処理がされたプログラム、暗号化されたプログラム、オペレーティングシステムと協働してその機能を発揮するプログラム等を含む概念である。

【図面の簡単な説明】

【0028】

【図1】この発明の一実施形態による属性推定装置の機能的構成である。

【図2】属性推定装置におけるカメラ２８の設置状態を示す図である。

【図3】属性推定装置のハードウエア構成を示す図である。

【図4】属性推定プログラム２６のフローチャートである。

【図5】図５Ａは、三次元点群データの例である。図５Ｂは、推定モデルによって人が推定され、人（歩行者）がバウンダリボックス４２にて囲われた状態を示す図である。図５Ｃは、時間的変化による人の移動を追跡するための処理を説明する図である。

【図6】図６Ａは、時系列に並べた同一歩行者の三次元点群データである。図６Ｂは、重ね合わせて生成した三次元点群データ群である。

【図7】属性推定の処理の詳細を示すフローチャートである。

【図8】三次元点群データ群を内包するバウンダリーボックス５０を示す図である。

【発明を実施するための形態】

【0029】

１．全体的構成としての処理の流れ
図１に、この発明の一実施形態による属性推定装置の全体構成を示す。計測器２は、歩行中の人物（歩行者）の表面各点までの距離を計測し、これに基づいて当該歩行者の三次元点群データを生成する。三次元点群データ群の生成処理４においては、歩行者の歩行中に計測して得た時系列の複数の三次元点群データに基づいて、時系列を区別可能な三次元点群データ群を生成する。

【0030】

属性推定処理６では、生成した三次元点群データ群に基づいて歩行者の属性を推定する。

【0031】

上記のように、時系列の三次元点群データ群に基づいて歩行者の属性を推定するようにしているので、各三次元点群データの外形に変化が生じていても、その変化も考慮して、より正確な推定を行うことができる。また、各時刻における三次元点群データが粗であっても、複数時刻の三次元点群データを用いて推定を行うので、属性をより正確に判定することができる。

【0032】

２．ハードウエア構成
図２に、計測器であるＬＩＤＡＲ(Laser Imaging Detection and Ranging)２８の設置状態を示す。この実施形態では、道路の電柱などにＬＩＤＡＲ２８を設置している。

【0033】

ＬＩＤＡＲ２８は、機器の設置方向である中心軸３４を中心として、上下左右の全周方向に所定角度θの範囲にて、レーザを照射しその反射を受信するものである。ＬＩＤＡＲ２８は、照射から反射までの時間を計測し、対象物までの距離を算出する。これに基づいて対象物表面の各点の座標を算出し、三次元点群データとして出力する。なお、ＬＩＤＡＲ２８は、中心軸３４をＹ軸とし、中心軸３４に対して上下方向に垂直な軸４０をＺ軸とし、中心軸３４に対して左右方向に垂直な軸（紙面に垂直な方向）をＸ軸とした座標にて、三次元点群データを出力する。

【0034】

図３に、属性推定装置のハードウエア構成を示す。ＣＰＵ１０には、メモリ１２、ディスプレイ１４、通信回路１６、ＳＳＤ１８、ＤＶＤ－ＲＯＭドライブ２０、キーボード／マウス２２、ＬＩＤＡＲ２８が接続されている。通信回路１６は、インターネットに接続するための回路である。

【0035】

ＬＩＤＡＲ２８は、レーザ光を歩行者などの対象物に照射しその反射光を受光するまでの時間によって対象物表面までの距離を計測し、これに基づいて対象物表面の各点の三次元座標を示す三次元点群データを生成するものである。

【0036】

ＳＳＤ１８には、オペレーティングシステム２４、属性推定プログラム２６が記録されている。属性推定プログラム２６は、オペレーティングシステム２４と協働してその機能を発揮するものである。これらプログラムは、ＤＶＤ－ＲＯＭ３０に記録されていたものを、ＤＶＤ－ＲＯＭドライブ２０を介して、ＳＳＤ１８にインストールしたものである。

【0037】

３．属性推定処理
図４に、属性推定プログラム２６のフローチャートを示す。ＣＰＵ１０は、ＬＩＤＡＲ２８から１フレーム分の三次元点群データを取得する（ステップＳ２）。取得した三次元点群データの例を、図５Ａに示す。図に示すように、歩行者だけでなく、道路表面なども含まれた三次元点群データが得られている。なお、この三次元点群データの座標は、図２に示したように、ＬＩＤＡＲ２８の設置方向である中心軸３４をＹ軸とする三次元座標である。

【0038】

次に、ＣＰＵ１０は、この三次元点群データから歩行者部分の三次元点群データを抽出する（ステップＳ３）。図５Ｂに示すように、歩行者を囲うバウンダリーボックス４２を得て、歩行者を抽出するようにしている。

【0039】

この実施形態においては、三次元点群データから歩行者部分をバウンダリーボックスにて囲って抽出するよう学習された学習済の推定モデルを用いるようにしている。学習データとしては、図５Ａに示すような三次元点群データと、これに含まれる歩行者のバウンダリーボックスを特定する座標との組を用いる。なお、推定モデルとしては、三次元に適合させたＹＯＬＯであるOpenPC Detを用いることができる。

【0040】

続いて、図５Ｂに示すように、バウンダリーボックスの中心４４（座標としての中心）を算出する（ステップＳ５）。ＣＰＵ１０は、当該中心４４が、予め設定した第１面３６（図２参照）よりＬＩＤＡＲ２８に近い側にあるかどうかを判断する（ステップＳ６）。第１面３６は、道路面に対してほぼ垂直な仮想面である。

【0041】

遠い側にあれば、そのバウンダリーボックスを処理対象としない。近い側にあれば、図５Ｃに示すように、バウンダリーボックス４２の中心４４と、前回のフレームにおけるバウンダリーボックス４２Ｐの中心４４Ｐとの距離に基づいて、両者を同一の歩行者として関連づける（ステップＳ８）。歩行者は概ね所定範囲内の速度で走行しているので、前回のフレームとの移動距離に基づいて関連づけることが可能である。

【0042】

当該歩行者が移動し、バウンダリーボックス４２の中心４４が第２面３８よりＬＩＤＡＲ２８に近い側に位置すると（ステップＳ７）、それ以降のバウンダリーボックスは処理対象としない。

【0043】

ＣＰＵ１０は、ステップＳ８において追跡した同一歩行者の複数の三次元点群データを統合して三次元点群データ群を生成すする（ステップＳ９）。

【0044】

歩行者は手や足を動かして歩行している。このため、各時刻における三次元点群データは異なる形状となる。この実施形態では、時間経過に伴う形状変化も考慮に入れた上で推定をするため、時系列情報を加味した上で、各時刻の三次元点群データを統合するようにしている。

【0045】

図６にその例を示す。図６Ａに示すように、ＣＰＵ１０は、三次元点群データに対し時刻ごとに異なる色を付す。図６Ａにおいては、左側から、時刻ｔ１、ｔ２、ｔ３において取得した三次元点群データが示されている。この実施形態では、時刻ｔ１の三次元点群データの各点を「青色」、時刻ｔ２の三次元点群データの各点を「黄色」、時刻ｔ３の三次元点群データの各点を「赤色」としている。

【0046】

ＣＰＵ１０は、図６Ｂに示すように、これらを重ね合わせて三次元点群データ群を生成するようにしている。なお、重ね合せの際には、バウンダリボックスの中心（重心）をそろえるようにして、位置合わせをするようにしている。

【0047】

続いて、ＣＰＵ１０は、図６Ｂの三次元点群データ群に基づいて、歩行者の属性を推定する（ステップＳ１０）。この実施形態では、まず、大人であるか子供であるかの属性を推定した後、スーツケースを持っているか否かなどの属性を推定するようにしている。

【0048】

図７に、歩行者の属性推定の詳細フローチャートを示す。ＣＰＵ１０は、図８に示すように、三次元点群データ群を内包する最小のバウンダリーボックス５０を生成する。ＣＰＵ１０は、生成したバウンダリーボックス５０の高さＨを算出する（ステップＳ２１）。算出した高さＨに基づいて、当該歩行者が大人であるか子供であるかを判断する（ステップＳ２２）。

【0049】

この実施形態では、高さＨが所定値（たとえば１１０ｃｍ）以上であれば、大人と判断し、所定値未満であれば子供と判断するようにしている。

【0050】

以上のようにして、大人か子供かを判断すると、ＣＰＵ１０は、三次元点群データ群に基づいて、大人であれば大人に関する属性を推定し（ステップＳ２４）、子供であれば子供に関する属性を推定する（ステップＳ２５）。この実施形態では、歩行者の歩行による時系列の三次元点群データ（三次元点群データ群）に基づいて推定を行っているので、推定の精度を向上させることができる。

【0051】

ステップＳ２４の推定には、大人である歩行者が白杖、杖、スーツケース、かばん、ベビーカー、シルバーカー、シルバーカートなどを持っているかどうかの属性を推定するように学習された推定モデル（ニューラルネットワーク）を用いる。学習データとしては、三次元点群データ群と、当該三次元点群データ群によって表される歩行者が、白杖、杖、スーツケース、かばん、ベビーカー、シルバーカー、シルバーカートなどを有するかどうかを示すラベルとの組を用いる。

【0052】

ステップＳ２５の推定には、子供である歩行者が、ランドセル、かばんなどを持っているかどうかの属性を推定するように学習された推定モデル（ニューラルネットワーク）を用いる。学習データとしては、三次元点群データ群と、当該三次元点群データ群によって表される歩行者が、ランドセル、かばんなどを有するかどうかを示すラベルとの組を用いる。

【0053】

なお、ステップＳ２～ステップＳ１０はフレームごとに繰り返される。また、ステップＳ５～Ｓ１０は、フレームに映し出された歩行者ごとに繰り返される。

【0054】

以上のようにして、歩行者の属性を推定することができる。

【0055】

この実施形態では、レーザを用いているので、夜間であっても精度良く推定を行うことができる。

【0056】

４．その他変形例
(1)上記実施形態では、図６Ｂに示すように、各時刻の三次元点群データの点に異なる色を付して重ね合わせて、三次元点群データ群を得るようにしている。

【0057】

しかし、点の濃度を変えたり、点の形状を変えたりして区別可能な表示形態にして重ね合わせるようにしてもよい。

【0058】

また、図６Ａに示すように、重ね合わせずに三次元点群データ群を生成し、これを推定に用いるようにしてもよい。

【0059】

いずれにしても、時系列が分かるように三次元点群データ群を生成して推定に用いればよいので、図６Ａにおいて色を区別せずに、場所（左、真ん中、右）によって時刻の違いを表すようにしてもよい。また、推定モデルとしてＲＮＮを用いて、時刻情報（時刻の順番情報でもよい）とともに三次元点群データを順次与えるようにしてもよい。この場合には、時刻情報の付された複数の三次元点群データが、三次元点群データ群となる。

【0060】

(2)上記実施形態では、時間経過によって外形の変化する対象物として歩行者を例として属性推定について説明した。しかし、犬、ロボットなどを時間経過によって外形の変化する対象物としてその属性を推定するようにしてもよい。

【0061】

(3)上記実施形態では、大人・子供の判定を行った後、杖などの所有物の属性を推定するようにしている。しかし、大人・子供の判定を行わずに、所有物の属性推定を行うようにしてもよい。また、大人・子供のみの判定を行うようにしてもよい。

【0062】

(4)上記実施形態では、ＬＩＤＡＲ２８の設置方向の中心軸３４をＹ軸とした座標を用いて、ステップＳ３の抽出処理、ステップＳ１０の推定処理を行うようにしている。いずれの処理においても、ＬＩＤＡＲ２８の設置方向によって、三次元点群データの座標が異なることとなる。したがって、上記推定処理に用いる推定モデルを学習する際の学習データとして、同じ三次元点群データについて異なる座標のものを多数用意することが好ましい。

【0063】

そこで、実測した三次元点群データを学習データとして用いる際に、Ｘ軸、Ｙ軸、Ｚ軸のそれぞれについて、－１０度から＋１０度の範囲（所定角度範囲）にて、２度ごと（所定角度ごと）に回転させて、多数の学習データを生成することが好ましい。このようにすれば、大量の学習データを容易に得ることができる。

【0064】

また、上記のようにＬＩＤＡＲ２８の設置方向の中心軸３４をＹ軸にせず、道路に水平な面をＸＹ軸による平面とし、これに垂直な方向をＺ軸とした、座標を用いて三次元点群データを表現するようにしてもよい。このようにすれば、ＬＩＤＡＲ２８の設置方向に影響を受けずに三次元点群データを得ることができるので、上記のように回転を行って学習データを生成する必要がなくなる（あるいは、回転させて生成する学習データの数を減らすことができる）。

【0065】

(5)上記実施形態では、各フレームにおける同一歩行者の追跡のために、バウンダリーボックス４２の中心点４４を用いている。しかし、中心点４４以外のバウンダリーボックス４２を代表する点（いずれかのコーナー点、いずれかの面の中心点、三次元点群データの重心点など）を用いるようにしてもよい。

【0066】

また、上記処理に加えてあるいは代えて、三次元点群データによる形状の特徴（バウンダリボックスの寸法など）を算出し、当該特徴に基づいて各フレームの同一歩行者を紐付けるようにしてもよい。

【0067】

(6)上記実施形態では、第１面３６と第２面３８を操作者が設定するようにしている。しかし、ＣＰＵ１０が、三次元点群データに映し出された道路表面に垂直な方向に、所定間隔で第１面３６、第２面３８を設定するようにしてもよい。

【0068】

(7)上記実施形態では、バウンダリーボックスの中心４４が、第１面３６を超えてから、第２面３８を超えるまでの間の、各フレームの三次元点群データを重ね合わせて三次元点群データ群を生成している。

【0069】

しかし、中心４４以外のバウンダリーボックス４２を代表する点を用いるようにしてもよい。また、第１面３６と第２面３８において、異なる代表点を用いるようにしてもよい。

【0070】

(8)上記実施形態では、向かってくる歩行者を対象として歩行者の属性を判断するようにしている。しかし、遠ざかる歩行者を対象として歩行者の属性を判断するようにしてもよい。

【0071】

(9)上記実施形態では、歩行者の属性を推定するようにしている。しかし、これに代えて、あるいは加えて、通過した歩行者の人数を計測するようにしてもよい。

【0072】

この場合、バウンダリーボックスの中心４４が第１面３６を超えた後、第２面３８を超えれば、１人の歩行者が通過したと判定できる。これに、上記の歩行者の属性推定を加味すれば、いずれの属性の歩行者が何人通過したかを計測することができる。

【0073】

なお、遠ざかる歩行者については、バウンダリーボックスの中心４４が第２面３８を超えた後、第１面３６を超えれば、通過したものと判定することができる。このように、第１面３６、第２面３８の通過順序により、向かってくる歩行者か遠ざかる歩行者かを判断できる。

【0074】

(10)上記実施形態では、図８に示すバウンダリーボックスの高さＨに基づいて、大人・子供を判断している。しかし、バウンダリボックスの幅や奥行きに基づいて、あるいは幅や奥行きも併せて考慮して判断してもよい。また、これら寸法に基づいて、大人・子供以外の属性（太り具合など）を判断するようにしてもよい。

【0075】

(11)上記実施形態では、対象物の表面各点までの距離を計測して三次元点群データを生成する計測器として、ＬｉＤＡＲを用いるようにしている。しかし、ステレオカメラを用いて三次元点群データを生成するようにしてもよい。

【0076】

また、対象物の表面各点までの距離を計測するのではなく、ＳＦＭ(Structure from Motion）を用いて、角度の異なる複数の画像から対象物の三次元点群データを生成し、これを用いるようにしてもよい。

【0077】

(12)上記実施形態では、図１の処理をＣＰＵを用いて実現している。しかし、その一部又は全部を論理回路によって実現するようにしてもよい。

【0078】

(13)上記変形例は、互いに組み合わせて実施可能である。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】