特開 2025-29536 個体識別システム、モデル学習システム、個体識別方法、モデル学習方法、プログラム

(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】P2025029536

(43)【公開日】2025-03-06

(54)【発明の名称】個体識別システム、モデル学習システム、個体識別方法、モデル学習方法、プログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20250227BHJP

   G06V 20/52 20220101ALI20250227BHJP

   H04N 7/18 20060101ALI20250227BHJP

【ＦＩ】

G06T7/00 660B

G06V20/52

H04N7/18 K

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

(21)【出願番号】P 2023134272

(22)【出願日】2023-08-21

(71)【出願人】

【識別番号】507234427

【氏名又は名称】公立大学法人岩手県立大学

(74)【代理人】

【識別番号】100108833

【弁理士】

【氏名又は名称】早川 裕司

(74)【代理人】

【識別番号】100162156

【弁理士】

【氏名又は名称】村雨 圭介

(72)【発明者】

【氏名】工藤 諒太

(72)【発明者】

【氏名】堀川 三好

【テーマコード（参考）】

5C054

5L096

【Ｆターム（参考）】

5C054CA04

5C054CA05

5C054CC02

5C054FC12

5C054HA19

5L096CA02

5L096FA66

5L096FA67

5L096FA69

5L096KA04

(57)【要約】

【課題】個体識別を容易に行うことの可能な個体識別システム、モデル学習システム、個体識別方法、モデル学習方法、プログラムを提供する。
【解決手段】個体識別システムは、撮像装置によって撮像された個体の画像を取得する第１取得手段４１と、取得した画像に基づいて、個体の少なくとも１つの部位を検出する検出手段４３と、検出された個体の少なくとも１つの部位の各々に関する情報と、個体の画像内の個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、個体を識別する識別手段４５と、を備える。
【選択図】図３

【特許請求の範囲】

【請求項1】

撮像装置によって撮像された個体の画像を取得する第１取得手段と、
取得した画像に基づいて、前記個体の少なくとも１つの部位を検出する検出手段と、
検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別する識別手段と、
を備える個体識別システム。

【請求項2】

計測装置によって計測された前記個体の状態に関する情報を取得する第２取得手段を備え、
前記識別手段は、検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の状態に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報及び前記個体の状態に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別する、請求項１に記載の個体識別システム。

【請求項3】

前記識別手段は、検出された前記個体の少なくとも１つの部位の各々に関する情報の所定期間内の推移と、前記個体の状態に関する情報の前記所定期間内の推移と、前記学習済モデルと、に基づいて、前記個体を識別する、請求項２に記載の個体識別システム。

【請求項4】

前記識別手段は、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標と、前記個体の画像内の前記個体の少なくとも１つの部位の各々の座標を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別する、請求項１に記載の個体識別システム。

【請求項5】

前記取得した画像における前記個体の深度に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換する変換手段を備え、
前記識別手段は、変換された前記少なくとも１つの部位の各々の座標と、前記学習済モデルと、に基づいて、前記個体を識別する、請求項４に記載の個体識別システム。

【請求項6】

前記変換手段は、ＭｉＤａＳを用いて推定された前記個体の深度に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換する、請求項５に記載の個体識別システム。

【請求項7】

事前に計測された前記個体の少なくとも２つの部位間の距離に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換する変換手段を備え、
前記識別手段は、変換された前記少なくとも１つの部位の各々の座標と、前記学習済モデルと、に基づいて、前記個体を識別する、請求項４に記載の個体識別システム。

【請求項8】

前記変換手段は、事前に計測された前記個体の首部分と腰部分との距離に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換する、請求項７に記載の個体識別システム。

【請求項9】

前記検出手段は、前記個体の少なくとも１つの関節を、前記個体の少なくとも１つの部位として検出する、請求項１に記載の個体識別システム。

【請求項10】

前記個体の状態に関する情報は、前記個体の位置、回転数、角速度、角加速度、姿勢、加速度、速度及び温度のうち少なくとも１つを含む、請求項２に記載の個体識別システム。

【請求項11】

前記個体の状態が計測されるタイミングは、前記個体の画像が撮像されるタイミングと同じタイミングである、請求項２に記載の個体識別システム。

【請求項12】

個体を撮像した画像内の前記個体の少なくとも１つの部位の各々に関する情報を取得する第１情報取得手段と、
取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、前記個体を識別するのに用いられるモデルを学習する学習手段と、
を備えるモデル学習システム。

【請求項13】

コンピュータが、
撮像装置によって撮像された個体の画像を取得するステップと、
取得した画像に基づいて、前記個体の少なくとも１つの部位を検出するステップと、
検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別するステップと、
の各ステップを実行する、個体識別方法。

【請求項14】

コンピュータが、
個体を撮像した画像内の前記個体の少なくとも１つの部位の各々に関する情報を取得するステップと、
取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、前記個体を識別するのに用いられるモデルを学習するステップと、
の各ステップを実行する、モデル学習方法。

【請求項15】

コンピュータに、
撮像装置によって撮像された個体の画像を取得する機能と、
取得した画像に基づいて、前記個体の少なくとも１つの部位を検出する機能と、
検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別する機能と、
を実現させるためのプログラム。

【請求項16】

コンピュータに、
個体を撮像した画像内の前記個体の少なくとも１つの部位の各々に関する情報を取得する機能と、
取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、前記個体を識別するのに用いられるモデルを学習する機能と、
を実現させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、個体識別システム、モデル学習システム、個体識別方法、モデル学習方法、プログラムに関する。

【背景技術】

【0002】

近年、例えば製造現場における作業者の動線分析や習熟度の可視化等のように、作業者（対象者）の行動を分析（推定）する技術の研究が進められている。ここで、複数の対象者の各々の行動分析を行うためには、複数の対象者の各々を識別するための個体識別を行う必要がある。そこで、複数の対象者の各々を識別するための個体識別システムが知られている（例えば、特許文献１）。

【0003】

特許文献１に記載された技術では、識別対象を示す識別情報が形成された衣類を当該識別対象に着用させ、当該識別対象を赤外線カメラで撮影して得られた画像に基づいて当該識別情報を検出することにより、識別対象を識別するようになっている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００６－２８６５８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１に記載された技術では、複数の対象者の各々の個体識別を行うために、識別情報が形成された特殊な衣類を複数の対象者毎に製造する必要があることから、個体識別を行うためのコストが嵩む虞があった。

【0006】

本発明は上記課題に鑑みてなされたものであり、個体識別を容易に行うことの可能な個体識別システム、モデル学習システム、個体識別方法、モデル学習方法、プログラムを提供することを目的とする。

【課題を解決するための手段】

【0007】

上記課題を解決するために、第一に本発明は、撮像装置によって撮像された個体の画像を取得する第１取得手段と、取得した画像に基づいて、前記個体の少なくとも１つの部位を検出する検出手段と、検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別する識別手段と、を備える個体識別システムを提供する（発明１）。

【0008】

かかる発明（発明１）によれば、撮像装置によって撮像された個体の画像に基づいて検出された当該個体の少なくとも１つの部位の各々に関する情報と、学習済モデルと、に基づいて当該個体が識別されるので、撮像装置によって撮像された個体の画像を用いることによって当該個体を識別することが可能になる。これにより、例えば個体の識別情報が形成された衣服等を用いることなく個体識別を行うことが可能になるので、個体識別を容易に行うことができる。

【0009】

上記発明（発明１）においては、計測装置によって計測された前記個体の状態に関する情報を取得する第２取得手段を備え、前記識別手段は、検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の状態に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報及び前記個体の状態に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別してもよい（発明２）。

【0010】

かかる発明（発明２）によれば、撮像装置によって撮像された個体の画像に基づいて検出された当該個体の少なくとも１つの部位の各々に関する情報と、個体の状態に関する情報と、学習済モデルと、に基づいて当該個体が識別されるので、撮像装置によって撮像された個体の画像と計測装置によって計測された個体の状態に関する情報とを用いることによって当該個体を識別することが可能になる。これにより、例えば個体の識別情報が形成された衣服等を用いることなく個体識別を行うことが可能になるので、個体識別を容易且つ高精度に行うことができる。

【0011】

上記発明（発明２）においては、前記識別手段は、検出された前記個体の少なくとも１つの部位の各々に関する情報の所定期間内の推移と、前記個体の状態に関する情報の前記所定期間内の推移と、前記学習済モデルと、に基づいて、前記個体を識別してもよい（発明３）。

【0012】

かかる発明（発明３）によれば、個体の少なくとも１つの部位の各々に関する情報及び個体の状態に関する情報の各々の所定期間内の推移（変化）に基づいて、当該個体を容易に識別することができる。

【0013】

上記発明（発明１）においては、前記識別手段は、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標と、前記個体の画像内の前記個体の少なくとも１つの部位の各々の座標を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別してもよい（発明４）。

【0014】

かかる発明（発明４）によれば、画像内の個体の少なくとも１つの部位の各々の座標を用いて、当該個体を容易に識別することができる。

【0015】

上記発明（発明４）においては、前記取得した画像における前記個体の深度に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換する変換手段を備え、前記識別手段は、変換された前記少なくとも１つの部位の各々の座標と、前記学習済モデルと、に基づいて、前記個体を識別してもよい（発明５）。

【0016】

かかる発明（発明５）によれば、撮像された画像内の個体の深度（つまり、撮像装置と個体との距離（撮影距離））に応じて変換された当該個体の少なくとも１つの部位の各々の座標を用いて個体識別を行うことが可能になるので、例えば個体の深度に応じて座標を変換しない場合と比較して、個体識別の精度を向上させることができる。

【0017】

上記発明（発明５）においては、前記変換手段は、ＭｉＤａＳを用いて推定された前記個体の深度に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換してもよい（発明６）。

【0018】

かかる発明（発明６）によれば、ＭｉＤａＳを用いることによって、撮像された画像内の個体の深度を容易に推定することができる。

【0019】

上記発明（発明４）においては、事前に計測された前記個体の少なくとも２つの部位間の距離に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換する変換手段を備え、前記識別手段は、変換された前記少なくとも１つの部位の各々の座標と、前記学習済モデルと、に基づいて、前記個体を識別してもよい（発明７）。

【0020】

かかる発明（発明７）によれば、事前に計測された個体の少なくとも２つの部位間の距離（例えば、個体の少なくとも２つの部位間の距離の実測値であってもよいし、事前に撮像された画像内の個体の少なくとも２つの部位間の距離の計測値であってもよい）に応じて変換された当該個体の少なくとも１つの部位の各々の座標を用いて個体識別を行うことが可能になるので、例えば少なくとも２つの部位間の距離に応じて座標を変換しない場合と比較して、個体識別の精度を向上させることができる。

【0021】

上記発明（発明７）においては、前記変換手段は、事前に計測された前記個体の首部分と腰部分との距離に基づいて、検出された前記個体の少なくとも１つの部位の各々の前記取得した画像内の座標を変換してもよい（発明８）。

【0022】

かかる発明（発明８）によれば、事前に計測された個体の首部分と腰部分との距離（例えば、個体の首部分と腰部分との距離の実測値であってもよいし、事前に撮像された画像内の個体の首部分と腰部分との距離の計測値であってもよい）を用いることによって、撮像された画像内の個体の少なくとも１つの部位の各々の座標を容易に変換することができる。

【0023】

上記発明（発明１）においては、前記検出手段は、前記個体の少なくとも１つの関節を、前記個体の少なくとも１つの部位として検出してもよい（発明９）。

【0024】

かかる発明（発明９）によれば、画像内の個体の少なくとも１つの関節の各々に関する情報を用いて、個体を識別することができる。

【0025】

上記発明（発明２）においては、前記個体の状態に関する情報は、前記個体の位置、回転数、角速度、角加速度、姿勢、加速度、速度及び温度のうち少なくとも１つを含んでもよい（発明１０）。

【0026】

かかる発明（発明１０）によれば、個体の位置、回転数、角速度、角加速度、姿勢、加速度、速度及び温度のうち少なくとも１つを用いて、個体を識別することができる。

【0027】

上記発明（発明２）においては、前記個体の状態が計測されるタイミングは、前記個体の画像が撮像されるタイミングと同じタイミングであってもよい（発明１１）。

【0028】

かかる発明（発明１１）によれば、同じタイミングで得られた個体の画像及び当該個体の状態に関する情報を用いて、個体を識別することができる。

【0029】

第二に本発明は、個体を撮像した画像内の前記個体の少なくとも１つの部位の各々に関する情報を取得する第１情報取得手段と、取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、前記個体を識別するのに用いられるモデルを学習する学習手段と、を備えるモデル学習システムを提供する（発明１２）。

【0030】

かかる発明（発明１２）によれば、画像内の個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、個体を識別するのに用いられるモデルを学習することが可能になるので、このモデルを用いることによって、個体識別を容易に行うことができる。

【0031】

第三に本発明は、コンピュータが、撮像装置によって撮像された個体の画像を取得するステップと、取得した画像に基づいて、前記個体の少なくとも１つの部位を検出するステップと、検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別するステップと、の各ステップを実行する、個体識別方法を提供する（発明１３）。

【0032】

第四に本発明は、コンピュータが、個体を撮像した画像内の前記個体の少なくとも１つの部位の各々に関する情報を取得するステップと、取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、前記個体を識別するのに用いられるモデルを学習するステップと、の各ステップを実行する、モデル学習方法を提供する（発明１４）。

【0033】

第五に本発明は、コンピュータに、撮像装置によって撮像された個体の画像を取得する機能と、取得した画像に基づいて、前記個体の少なくとも１つの部位を検出する機能と、検出された前記個体の少なくとも１つの部位の各々に関する情報と、前記個体の画像内の前記個体の少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記個体を識別する機能と、を実現させるためのプログラムを提供する（発明１５）。

【0034】

第六に本発明は、コンピュータに、個体を撮像した画像内の前記個体の少なくとも１つの部位の各々に関する情報を取得する機能と、取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、前記個体を識別するのに用いられるモデルを学習する機能と、を実現させるためのプログラムを提供する（発明１６）。

【発明の効果】

【0035】

本発明の個体識別システム、モデル学習システム、個体識別方法、モデル学習方法、プログラムによれば、個体識別を容易に行うことができる。

【図面の簡単な説明】

【0036】

【図1】本発明の一実施形態に係る個体識別システム及びモデル学習システムの基本構成を概略的に示す図である。

【図2】識別装置の構成を示すブロック図である。

【図3】個体識別定システム及びモデル学習システムで主要な役割を果たす機能を説明するための機能ブロック図である。

【図4】第１取得データの構成例を示す図である。

【図5】第２取得データの構成例を示す図である。

【図6】計測装置からの距離と受信信号強度との関係の一例を示す図である。

【図7】個体の少なくとも１つの部位の検出結果の一例を示す図である。

【図8】（ａ）は、画像内の個体の深度に基づいて、個体の少なくとも１つの部位の座標を変換する場合の一例を示す図であり、（ｂ）は、個体の少なくとも１つの部位の座標の変換例を示す図である。

【図9】画像内の個体の少なくとも２つの部位間の距離に基づいて、個体の少なくとも１つの部位の座標を変換する場合の一例を示す図である。

【図10】学習データの構成例を示す図である。

【図11】本発明の一実施形態に係るモデル学習システムの主要な処理の一例を示すフローチャートである。

【図12】本発明の一実施形態に係る個体識別システムの主要な処理の一例を示すフローチャートである。

【図13】学習データの他の構成例を示す図である。

【図14】個体識別システム及びモデル学習システムの各機能について、識別装置と、学習装置との間の分担例を示す図である。

【発明を実施するための形態】

【0037】

以下、本発明の一実施形態について添付図面を参照して詳細に説明する。ただし、この実施形態は例示であり、本発明はこれに限定されるものではない。

【0038】

（１）個体識別システム及びモデル学習システムの基本構成
図１は、本発明の一実施形態に係る個体識別システム及びモデル学習システムの基本構成を概略的に示す図である。図１に示すように、本実施形態に係る個体識別システム及びモデル学習システムでは、例えば屋内等の所定空間ＳＰに個体（本実施形態では、対象者Ｔ）が存在する場合に、空間ＳＰ内の所定位置（図１の例では、空間ＳＰの中央上部）に設けられた撮像装置１０によって撮像された対象者Ｔの画像と、計測装置２０によって計測された対象者Ｔの状態に関する情報と、が識別装置３０によって取得されるようになっている。

【0039】

また、識別装置３０は、撮像された対象者Ｔの画像と、計測された対象者Ｔの状態に関する情報と、に基づいて、対象者Ｔを識別（個体識別）するようになっている。ここで、撮像装置１０及び計測装置２０の各々と、識別装置３０とは、例えばインターネットやＬＡＮ（Local Area Network）等の通信網ＮＷ（ネットワーク）に接続されている。

【0040】

撮像装置１０は、例えば、動画像及び／又は静止画像を撮像する撮像装置（例えば、デジタルカメラやデジタルビデオカメラ等）であってもよく、空間ＳＰ内の所定位置において空間ＳＰを撮像するように設けられている。なお、撮像装置１０は、所定の移動体に設けられており、当該移動体の移動に伴って移動しながら所定の撮像範囲を撮像してもよい。また、撮像装置１０は、例えば、所定のフレームレート（例えば、３０ｆｐｓ（flames per second）等）で撮像処理を行って、撮像した画像を、通信網ＮＷを介して識別装置３０に送信するように構成されている。なお、撮像装置１０は、識別装置３０から所定の撮像指示信号を受信した場合に撮像処理を行ってもよい。

【0041】

ここで、撮像装置１０は、全方位画像（例えば、周囲３６０°（図１の例では、水平方向の周囲３６０°）の画像）を撮像する撮像装置（例えば、全方位カメラ等）であってもよい。この場合、広範囲に亘って対象者Ｔを撮像することができる。

【0042】

また、撮像装置１０は、赤外線画像を撮像する撮像装置（例えば、赤外線カメラ等）であってもよい。これにより、例えば、視界の悪い環境（例えば、夜間、暗い場所、悪天候の場所等）に対象者Ｔが存在している場合であっても、撮像画像内の対象者Ｔを検出することができる。

【0043】

さらに、撮像装置１０は、ステレオ画像を撮像する撮像装置（例えば、ステレオカメラ等）であってもよい。ここで、ステレオ画像とは、例えば、所定の視差を有する２つの画像のセットであってもよい。

【0044】

なお、本実施形態では、１つの撮像装置１０を用いて撮像する場合を一例として説明しているが、複数の撮像装置（例えば、水平方向及び／又は垂直方向に間隔をおいて設けられた２つの撮像装置等）を用いて空間ＳＰを撮像してもよい。

【0045】

計測装置２０は、対象者Ｔの状態を連続的又は断続的（例えば、所定間隔（例えば３００ミリ秒や１秒等）毎）に計測する装置である。ここで、対象者Ｔの状態に関する情報とは、例えば、対象者Ｔの位置に関する情報であってもよいし、対象者Ｔの身体状態を表す値であってもよいし、対象者Ｔの位置や身体状態を表す値を所定の計算式に代入することによって得られた値であってもよいし、対象者Ｔの位置や身体状態の度合いを表す情報であってもよい。また、対象者Ｔの位置に関する情報は、例えば、ＧＰＳ（Global Positioning System）等の位置測定技術を用いて測定された位置情報（例えば、緯度、経度及び高度のうち少なくとも１つ）を含んでもよいし、一方の装置が送信した信号を他方の装置が受信したときの受信信号強度（ＲＳＳＩ）に関する情報を含んでもよい。ここで、受信信号強度に関する情報は、例えば、受信信号強度の値であってもよいし、受信信号強度の値を所定の計算式に代入することによって得られた値であってもよいし、受信信号強度の度合いを表す情報であってもよい。

【0046】

また、計測装置２０は、例えば、対象者Ｔの位置を計測する装置（例えば、ＧＰＳセンサ等）であってもよいし、対象者Ｔの身体状態（例えば、３軸方向の加速度（対象者Ｔの所定部位の加速度であってもよい）、３軸方向の角速度（対象者Ｔの所定部位の角速度であってもよい）、回転数、心拍数（脈拍）、血圧、体温、発汗量、歩数、歩行速度、姿勢、運動強度（例えば、心拍数÷最大心拍数）又は消費カロリー等）を計測する装置（例えば、心拍計、血圧計、体温計、発汗計、３軸加速度センサ、３軸ジャイロセンサ、モーションセンサ等）であってもよい。

【0047】

さらに、計測装置２０は、図１に示すように、対象者Ｔが所持可能又は対象者Ｔの身体に装着可能な第１計測装置２１と、空間ＳＰ内の異なる位置にそれぞれ配置された複数（図１の例では、３つ）の第２計測装置２２であって、第１計測装置２１が空間ＳＰ内に存在する場合に第１計測装置２１と無線通信を行う複数の第２計測装置２２と、から構成されてもよい。

【0048】

この場合、第１計測装置２１は、空間ＳＰ内に存在する場合に、所定の無線通信方式（例えば、無線ＬＡＮ（例えば、Ｗｉ－Ｆｉ（登録商標）））を用いて複数の第２計測装置２２と無線通信を行うことができるように構成されてもよい。また、第１計測装置２１は、複数の第２計測装置２２との間で無線通信を行うために、自身の識別情報（例えば、ＭＡＣ（Media Access Control）アドレス等）及び／又は第１計測装置２１を所持するユーザ（対象者Ｔ）の識別情報（例えば、対象者のＩＤや氏名等）を含む無線信号（例えば、プローブ要求等）を所定間隔（例えば、数百ミリ秒間隔等）で送信するように構成されてもよい。ここで、ユーザ（対象者Ｔ）の識別情報は、例えば、事前に第１計測装置２１に記憶されてもよい。さらに、第１計測装置２１は、例えば、対象者Ｔに装着可能なデバイス（例えば、ウェアラブルデバイス）であってもよいし、対象者Ｔが所持可能な携帯型デバイスであってもよい。さらにまた、第１計測装置２１は、例えば、携帯端末、スマートフォン、ＰＤＡ（Personal Digital Assistant）、パーソナルコンピュータ、双方向の通信機能を備えたテレビジョン受像機（いわゆる多機能型のスマートテレビも含む。）等のように、個々のユーザによって操作される通信装置であってもよい。

【0049】

複数の第２計測装置２２は、空間ＳＰ内で所定の無線通信方式（例えば、無線ＬＡＮ（例えば、Ｗｉ－Ｆｉ（登録商標）））を用いて第１計測装置２１と無線通信を行うことが可能な位置に設けられてもよい。また、複数の第２計測装置２２は、例えば、空間ＳＰ内に存在する２つ以上の第１計測装置２１間の無線通信を中継する装置であってもよいし、第１計測装置２１と空間ＳＰ内に存在する他の装置（図示省略）との間の無線通信を中継する装置であってもよいし、第１計測装置２１と、通信網ＮＷを介して接続された他の装置（例えば、識別装置３０等）との間の通信を中継する装置であってもよい。また、複数の第２計測装置２２は、パケットキャプチャであってもよい。

【0050】

また、第１計測装置２１と、複数の第２計測装置２２と、のうち何れか一方には、他方が送信した信号を受信したときの受信信号強度（ＲＳＳＩ）を検出するＲＳＳＩ回路が設けられていてもよい。さらに、この信号には、信号を送信した計測装置（第１計測装置２１又は第２計測装置２２）の識別情報（例えば、ＭＡＣアドレス等）が含まれていてもよく、この信号の受信信号強度がＲＳＳＩ回路によって検出されると、検出された受信信号強度と、この信号を送信した装置の識別情報と、が互いに対応付けられた状態で、この信号を受信した計測装置（第１計測装置２１又は第２計測装置２２）に設けられた記憶装置（図示省略）に記憶されてもよい。

【0051】

なお、ここでは、第１計測装置２１と複数の第２計測装置２２との間でＷｉ－Ｆｉ（登録商標）を用いて無線通信を行う場合を一例として説明しているが、通信方式は、この場合に限られない。例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ、光無線通信（例えば、赤外線）等の無線通信方式が用いられてもよいし、ＵＳＢ等の有線通信方式が用いられてもよい。

【0052】

計測装置２０（第１計測装置２１及び／又は複数の第２計測装置２２）は、対象者Ｔの状態を検出する毎に、検出した状態に関する情報を、通信網ＮＷを介して識別装置３０に送信するように構成されている。

【0053】

なお、本実施形態では、１つの第１計測装置２１が対象者Ｔに設けられている場合を一例として説明しているが、複数の第１計測装置２１が対象者Ｔに設けられてもよい。また、本実施形態では、３つの第２計測装置２２が空間ＳＰ内に設けられている場合を一例として説明しているが、空間ＳＰ内に設けられる第２計測装置２２の数は、２つ以下であってもよいし、４つ以上であってもよい。

【0054】

さらに、撮像装置１０及び計測装置２０は、識別装置３０との間で有線又は無線接続方式を用いて直接通信を行うように構成されてもよいし、所定の中継装置（図示省略）との間で有線又は無線接続方式を用いて情報の送受信を行うことによって、当該中継装置を介して識別装置３０と通信を行うように構成されてもよい。

【0055】

識別装置３０は、通信網ＮＷを介して撮像装置１０及び計測装置２０の各々と通信を行い、撮像装置１０が撮像した画像と、計測装置２０が計測した対象者Ｔの状態に関する情報とを、通信網ＮＷを介して経時的に取得するように構成されている。識別装置３０は、例えば、携帯端末、スマートフォン、ＰＤＡ、パーソナルコンピュータ、双方向の通信機能を備えたテレビジョン受像機（いわゆる多機能型のスマートテレビも含む。）等のように、個々のユーザによって操作される端末装置であってもよい。

【0056】

（２）識別装置の構成
図２を参照して識別装置３０の構成について説明する。図２は、識別装置３０の内部構成を示すブロック図である。図２に示すように、識別装置３０は、ＣＰＵ（Central Processing Unit）３１と、ＲＯＭ（Read Only Memory）３２と、ＲＡＭ（Random Access Memory）３３と、記憶装置３４と、表示処理部３５と、表示部３６と、入力部３７と、通信インタフェース部３８と、を備えており、各部間の制御信号又はデータ信号を伝送するためのバス３０ａが設けられている。

【0057】

ＣＰＵ３１は、電源が識別装置３０に投入されると、ＲＯＭ３２又は記憶装置３４に記憶された各種のプログラムをＲＡＭ３３にロードして実行する。本実施形態では、ＣＰＵ３１は、ＲＯＭ３２又は記憶装置３４に記憶されたプログラムを読み出して実行することにより、後述する第１取得手段４１、第２取得手段４２、検出手段４３、変換手段４４、識別手段４５、第１情報取得手段４６、第２情報取得手段４７及び学習手段４８（図３に示す）の機能を実現する。

【0058】

記憶装置３４は、例えば、フラッシュメモリ、ＳＳＤ（Solid State Drive）、磁気記憶装置（例えばＨＤＤ（Hard Disk Drive）、フロッピーディスク（登録商標）、磁気テープ等）、光ディスク等の不揮発性の記憶装置であってもよいし、ＲＡＭ等の揮発性の記憶装置であってもよく、ＣＰＵ３１が実行するプログラムやＣＰＵ３１が参照するデータを格納する。また、記憶装置３４には、後述する第１取得データ（図４に示す）、第２取得データ（図５に示す）及び学習データ（図１０に示す）が記憶されている。

【0059】

表示処理部３５は、ＣＰＵ３１から与えられる表示用データを表示部３６に表示する。表示部３６は、例えば、マトリクス状に画素単位で配置された薄膜トランジスタを含むＬＣＤ（Liquid Crystal Display）モニタであり、表示用データに基づいて薄膜トランジスタを駆動することで、表示されるデータを表示画面に表示する。

【0060】

識別装置３０が釦入力方式の装置である場合には、入力部３７は、ユーザの操作入力を受け入れるための方向指示釦及び決定釦等の複数の指示入力釦を含む釦群と、テンキー等の複数の指示入力釦を含む釦群とを備え、各釦の押下（操作）入力を認識してＣＰＵ３１へ出力するためのインタフェース回路を含む。

【0061】

識別装置３０がタッチパネル入力方式の装置である場合には、入力部３７は、主として表示画面に指先又はペンで触れることによるタッチパネル方式の入力を受け付ける。タッチパネル入力方式は、静電容量方式等の公知の方式であってもよい。

【0062】

また、識別装置３０が音声入力可能な装置である場合には、入力部３７は、音声入力用のマイクを含むように構成されてもよいし、外付けのマイクを介して入力された音声データをＣＰＵ３１へ出力するためのインタフェース回路を備えてもよい。さらに、識別装置３０が動画像及び／又は静止画像を入力可能な装置である場合には、入力部３７は、画像入力用のデジタルカメラやデジタルビデオカメラを含むように構成されてもよいし、外付けのデジタルカメラやデジタルビデオカメラで撮像された画像データを受け付けてＣＰＵ３１へ出力するためのインタフェース回路を備えてもよい。

【0063】

通信インタフェース部３８は、通信網ＮＷを介して他の装置（例えば、撮像装置１０及び計測装置２０等）と通信を行うためのインタフェース回路を含む。

【0064】

（３）個体識別システム及びモデル学習システムにおける各機能の概要
本実施形態の個体識別システム及びモデル学習システムで実現される機能について、図３を参照して説明する。図３は、本実施形態の個体識別システム及びモデル学習システムで主要な役割を果たす機能を説明するための機能ブロック図である。図３の機能ブロック図では、第１取得手段４１、検出手段４３及び識別手段４５が本発明の個体識別システムの主要な構成に対応しており、第１情報取得手段４６及び学習手段４８が本発明のモデル学習システムの主要な構成に対応している。他の手段（第２取得手段４２、変換手段４４及び第２情報取得手段４７）は必ずしも必須の構成ではないが、本発明をさらに好ましくするための構成要素である。

【0065】

第１取得手段４１は、撮像装置１０によって撮像された対象者Ｔ（個体）の画像を取得する機能を備える。

【0066】

第１取得手段４１の機能は、例えば以下のように実現される。先ず、撮像装置１０は、例えば、対象者Ｔが空間ＳＰ内に存在している場合に、所定のフレームレート（例えば、３０ｆｐｓ等）で撮像処理を行い、撮像処理を行う毎に、撮像した画像の画像データを、通信網ＮＷを介して識別装置３０に送信する。ここで、撮像装置１０によって撮像された画像の画像データは、撮像日時及び撮像装置１０の識別情報（例えば、撮像装置１０のシリアル番号やＭＡＣ（Media Access Control）アドレス等）と対応付けた状態で識別装置３０に送信されてもよい。

【0067】

一方、識別装置３０のＣＰＵ３１は、撮像装置１０から送信された画像データを、通信インタフェース部３８を介して受信（取得）する毎に、受信した画像データを、当該画像の撮像日時と対応付けた状態で例えば図４に示す第１取得データに記憶する。第１取得データは、画像の撮像日時毎に、当該画像の画像データが対応付けられた状態で記述されているデータである。このようにして、第１取得手段４１は、撮像装置１０によって撮像された対象者Ｔの画像を取得することができる。

【0068】

なお、ＣＰＵ３１は、撮像装置１０によって撮像された対象者Ｔ（個体）のステレオ画像を取得してもよい。この場合、対象者Ｔのステレオ画像に基づいて対象者Ｔの三次元モデルを生成することができるので、後述する検出手段４３の機能において、この三次元モデルに基づいて、対象者Ｔの少なくとも１つの部位の三次元空間上の位置（座標）をもとめることが可能になる。これにより、例えば対象者Ｔの二次元モデルを用いる場合と比較して、対象者Ｔの少なくとも１つの部位の位置をより正確に捉えることが可能になるので、対象者Ｔの画像に基づく当該対象者Ｔの識別精度を向上させることができる。

【0069】

また、例えば、水平方向及び／又は垂直方向に間隔をおいて設けられた２つ以上の撮像装置が設けられている場合には、ＣＰＵ３１は、各撮像装置が実質的に同じタイミングで撮像した２つの画像（例えば、撮像日時が同じ２つの画像であってもよいし、撮像日時の時間差が所定範囲（例えば、数ミリ秒～数十ミリ秒等）内の２つの画像等であってもよい）を、所定の視差を有する画像のセット（つまり、ステレオ画像）として取得してもよい。

【0070】

第２取得手段４２は、計測装置２０によって計測された対象者Ｔ（個体）の状態に関する情報を取得する機能を備える。

【0071】

ここで、対象者Ｔ（個体）の状態に関する情報は、対象者Ｔの位置、回転数、角速度、角加速度、姿勢、加速度、速度及び温度のうち少なくとも１つを含んでもよい。なお、対象者Ｔの位置に関する情報は、ＧＰＳ等の位置測定技術を用いて測定された位置情報（例えば、緯度、経度及び高度のうち少なくとも１つ）を含んでもよいし、第１計測装置２１及び複数の第２計測装置２２のうち一方の計測装置が送信した信号を他方の計測装置が受信したときの受信信号強度（ＲＳＳＩ）に関する情報を含んでもよい。これにより、対象者Ｔの位置、回転数、角速度、角加速度、姿勢、加速度、速度及び温度のうち少なくとも１つを用いて、対象者Ｔの個体識別を行うことができる。

【0072】

また、対象者Ｔ（個体）の状態が計測されるタイミングは、対象者Ｔの画像が撮像されるタイミングと同じタイミングであってもよい。これにより、同じタイミングで得られた対象者Ｔの画像及び対象者Ｔの状態に関する情報を用いて、対象者Ｔの個体識別を行うことができる。

【0073】

第２取得手段４２の機能は、例えば以下のように実現される。先ず、第１計測装置２１は、例えば、対象者Ｔが空間ＳＰ内に存在する場合に、対象者Ｔの状態（例えば、対象者Ｔの位置と、対象者Ｔの回転数と、対象者Ｔの３軸方向又は２軸方向の角速度と、対象者Ｔの３軸方向又は２軸方向の角加速度と、対象者Ｔの姿勢と、対象者Ｔの３軸方向又は２軸方向の加速度と、対象者Ｔの３軸方向又は２軸方向の速度と、対象者Ｔの温度と、のうち少なくとも１つ）を連続的又は断続的（例えば、所定間隔（例えば３００ミリ秒や１秒等）毎）に計測する毎に、計測した状態に関する情報を、通信網ＮＷを介して識別装置３０に送信する。ここで、第１計測装置２１によって計測された対象者Ｔの状態に関する情報は、計測日時及び第１計測装置２１の識別情報（例えば、第１計測装置２１のシリアル番号やＭＡＣアドレス等）と対応付けた状態で識別装置３０に送信されてもよい。また、計測装置２０は、撮像装置１０が撮像処理を行うタイミング毎に計測処理を行ってもよい（すなわち、計測装置２０による計測処理及び撮像装置１０による撮像処理が互いに同期して行われてもよい）。

【0074】

ここで、対象者Ｔの状態に関する情報が、対象者Ｔの位置に関する情報を含む場合であって、対象者Ｔの位置に関する情報が、第１計測装置２１及び複数の第２計測装置２２間の通信において送受信される信号の受信信号強度（ＲＳＳＩ）を含む場合について説明する。第１計測装置２１は、例えば、対象者Ｔが空間ＳＰ内に存在する場合に、複数の第２計測装置２２の各々と無線通信を行い、複数の第２計測装置２２の各々から所定間隔（例えば、数百ミリ秒間隔等）で送信された無線信号（例えば、ビーコン信号等）を受信する毎に、ＲＳＳＩ回路によって検出（計測）された当該無線信号の受信信号強度（ＲＳＳＩ）の値を、第１計測装置２１に設けられた記憶装置（図示省略）に記憶する。ここで、ＲＳＳＩの値は、計測日時（例えば、第１計測装置２１が当該ＲＳＳＩの値に対応する無線信号を何れかの第２計測装置２２から受信した日時）及び当該ＲＳＳＩの値に対応する無線信号を送信した何れかの第２計測装置２２の識別情報（例えば、第２計測装置２２のシリアル番号やＭＡＣアドレス等）と対応付けられた状態で記憶されてもよい。そして、第１計測装置２１は、所定期間（例えば、３秒毎等）が経過する毎に、当該所定期間内に第１計測装置２１によって計測された対象者Ｔの状態に関する情報（つまり、当該所定期間内に第１計測装置２１が複数の第２計測装置２２から受信した全ての無線信号のＲＳＳＩ）の値を、通信網ＮＷを介して識別装置３０に送信してもよい。ここで、所定期間内に第１計測装置２１によって計測された対象者Ｔの状態に関する情報は、第１計測装置２１の識別情報（例えば、第１計測装置２１のシリアル番号やＭＡＣアドレス等）と対応付けた状態で識別装置３０に送信されてもよい。

【0075】

なお、ここでは、第１計測装置２１が、複数の第２計測装置２２の各々から送信された無線信号を受信したときのＲＳＳＩの値を、対象者Ｔの状態に関する情報として識別装置３０に送信する場合を一例として説明したが、複数の第２計測装置２２の各々が、第１計測装置２１から送信された無線信号を受信したときのＲＳＳＩの値を、対象者Ｔの状態に関する情報として識別装置３０に送信してもよい。

【0076】

一方、識別装置３０のＣＰＵ３１は、計測装置２０から送信された対象者Ｔの状態に関する情報を、通信インタフェース部３８を介して受信（取得）する毎に、受信した状態に関する情報を、当該情報の計測日時と対応付けた状態で例えば図５に示す第２取得データに記憶する。第２取得データは、計測日時毎に、対象者Ｔの状態に関する情報（図の例では、「計測情報」）が対応付けられた状態で記述されているデータである。このようにして、第２取得手段４２は、計測装置２０によって計測された対象者Ｔの状態（ここでは、対象者Ｔの位置と、対象者Ｔの回転数と、対象者Ｔの３軸方向又は２軸方向の角速度と、対象者Ｔの３軸方向又は２軸方向の角加速度と、対象者Ｔの姿勢と、対象者Ｔの３軸方向又は２軸方向の加速度と、対象者Ｔの３軸方向又は２軸方向の速度と、対象者Ｔの温度と、のうち少なくとも１つ）を取得することができる。

【0077】

なお、識別装置３０のＣＰＵ３１は、第２取得手段４２の機能に基づいて、対象者Ｔの位置と、対象者Ｔの回転数の平均及び／又は分散と、対象者Ｔの３軸方向又は２軸方向の角速度の平均及び／又は分散と、対象者Ｔの３軸方向又は２軸方向の角加速度の平均及び／又は分散と、対象者Ｔの姿勢と、対象者Ｔの３軸方向又は２軸方向の加速度の平均及び／又は分散と、対象者Ｔの３軸方向又は２軸方向の速度の平均及び／又は分散と、対象者Ｔの温度の平均及び／又は分散と、のうち少なくとも１つを取得してもよい。

【0078】

また、本実施形態では、第１計測装置２１及び複数の第２計測装置２２間の通信において送受信される信号の受信信号強度（ＲＳＳＩ）が対象者Ｔの位置に関する情報に含まれているが、この受信信号強度（ＲＳＳＩ）を用いて、第１計測装置２１と複数の第２計測装置２２の各々との距離、ひいては、空間ＳＰ内の第１計測装置２１の位置（つまり、対象者Ｔの位置）をもとめることが可能である。具体的に説明すると、第１計測装置２１と複数の第２計測装置２２の各々との距離は、例えば、以下の式（１）及び（２）を用いることによって算出することができる。
Ｐ_ｒ＝Ｐ_ｔ＋Ｇ_ｒ＋Ｇ_ｔ－Ｌ …（１）

【数1】

式（１）中、Ｐ_ｒはＲＳＳＩ（ｄＢｍ）を示し、Ｐ_ｔは第２計測装置２２の送信電力（ｄＢｍ）を示し、Ｇ_ｒは第１計測装置２１の受信アンテナの利得（ｄＢｉ）を示し、Ｇ_ｔは第２計測装置２２の送信アンテナの利得（ｄＢｉ）を示し、Ｌは自由空間損失（ｄＢｍ）を示している。このＬは式（２）でもとめられ、式（２）中、ｄは第１計測装置２１と第２計測装置２２との距離（ｍ）を示し、ｆは無線信号の周波数（Ｈｚ）を示し、ｃは光速（＝２．９９７９２４５８×１０^８）（ｍ／ｓ）を示している。式（１）及び式（２）によってもとめられる距離とＲＳＳＩの値との関係は、例えば図６に示す対数関数で表される。図６に示すように、第１計測装置２１と第２計測装置２２との距離が短いほど、ＲＳＳＩ（図の例では、受信信号強度）の値が大きいことがわかる。

【0079】

これにより、第１計測装置２１と複数の第２計測装置２２の各々との間の信号の受信信号強度（ＲＳＳＩ）を用いて、第１計測装置２１と複数の第２計測装置２２の各々との距離をもとめることが可能になる。また、第１計測装置２１と複数の第２計測装置２２の各々との距離を用いて、空間ＳＰ内の第１計測装置２１の位置（つまり、対象者Ｔの位置）をもとめることが可能になる。

【0080】

検出手段４３は、取得した画像に基づいて、対象者Ｔ（動体）の少なくとも１つの部位を検出する機能を備える。

【0081】

また、検出手段４３は、対象者Ｔ（動体）の少なくとも１つの関節を、対象者Ｔの少なくとも１つの部位として検出してもよい。これにより、対象者Ｔの少なくとも１つの関節の各々に関する情報を用いて、対象者Ｔを識別（個体識別）することができる。

【0082】

検出手段４３の機能は、例えば以下のように実現される。識別装置３０のＣＰＵ３１は、例えば、第１取得手段４１の機能に基づいて、撮像装置１０から送信された画像データを取得データに記憶する毎に、対象者Ｔの少なくとも１つの部位の各々の位置に対応するノードを画像内に設定するとともに、各ノードの画像内の座標を算出してもよい。ここで、各ノードの設定及び座標の算出は、例えば、深層学習による特徴点（キーポイント）検出技術（例えば、ＯｐｅｎＰｏｓｅ等）を用いて行われてもよい。また、各ノードの座標は、二次元座標であってもよいし、例えば、画像データ（ステレオ画像）によって対象者Ｔの三次元モデルが生成される場合には、三次元座標であってもよい。

【0083】

なお、例えば、撮像装置１０が全方位画像を撮像する場合には、ＣＰＵ３１は、撮像装置１０が撮像した全方位画像をパノラマ画像に展開して、展開したパノラマ画像に対してノードの設定及びノードの座標の算出を行ってもよい。

【0084】

また、対象者Ｔのステレオ画像が取得された場合には、ＣＰＵ３１は、所定の視差を有する画像のセットの各画像に対して事前処理（例えば、ノイズ除去等）を実行し、さらには、周知のステレオマッチング処理を実行して、対象者Ｔの三次元モデルを生成してもよい。

【0085】

ＣＰＵ３１は、例えば図７に示すように、撮像装置１０が撮像した画像において、対象者Ｔの少なくとも１つの部位（図の例では、「首」、「右肩」、「左肩」、「腰」、「右臀部」、「左臀部」等）の位置（図の例では、Ｘ方向の座標及びＹ方向の座標）を検出し、検出した部位の各々に対応するノード（図の例では、１４個のノード）を設定する。ここで、各ノードの座標は、各ノードが設定された画像に対応付けられた状態で第１取得データに記憶されてもよい。また、ＣＰＵ３１は、例えば、対象者Ｔの少なくとも１つの部位が他の物体（例えば、他の動体や設置物等）に隠れるように撮像される等によって当該部位を検出することができない場合に、当該部位に対応するノードの座標をＮＵＬＬデータとして第１取得データに記憶してもよい。

【0086】

なお、ここでは、撮像装置１０が撮像した画像を用いて対象者Ｔの少なくとも１つの部位（「首」、「右肩」、「左肩」、「右臀部」、「左臀部」等）が検出される場合を一例として説明したが、例えば、撮像装置１０が撮像した画像を用いて対象者Ｔの少なくとも１つの関節（例えば、「右肩関節」、「右肘関節」、「右股関節」、「右膝関節」、「左肩関節」、「左肘関節」、「左股関節」及び「左膝関節」等）が検出されてもよい。

【0087】

変換手段４４は、取得した画像における対象者Ｔ（個体）の深度に基づいて、検出された対象者Ｔの少なくとも１つの部位の各々の取得した画像内の座標を変換する機能を備える。この場合、撮像された画像内の対象者Ｔの深度（つまり、撮像装置１０と対象者Ｔとの距離（撮影距離））に応じて変換された対象者Ｔの少なくとも１つの部位の各々の座標を用いて個体識別を行うことが可能になるので、例えば対象者Ｔの深度に応じて座標を変換しない場合と比較して、個体識別の精度を向上させることができる。

【0088】

また、変換手段４４は、ＭｉＤａＳを用いて推定された対象者Ｔの深度に基づいて、検出された対象者Ｔの少なくとも１つの部位の各々の取得した画像内の座標を変換してもよい。この場合、ＭｉＤａＳを用いることによって、撮像された画像内の個体の深度を容易に推定することができる。

【0089】

変換手段４４の機能は、例えば以下のように実現される。識別装置３０のＣＰＵ３１は、例えば、検出手段４３の機能に基づいて対象者Ｔ（動体）の少なくとも１つの部位を検出すると、ＭｉＤａＳを用いて、画像内の対象者Ｔの深度を推定する。ここで、ＭｉＤａＳ（https://github.com/intel-isl/MiDaS）とは、撮像装置（例えば、撮像装置１０）によって撮像された画像から、被写体（例えば、対象者Ｔ）と撮像装置との間の距離、すなわち、奥行きを表す深度マップを推定するための単眼画像に対する深度推定モデルの一種である。なお、ここでは、ＭｉＤａＳを用いて画像内の対象者Ｔの深度を推定する場合を一例として説明するが、画像内の対象者Ｔの深度は、例えば、ＤＰＴ（https://github.com/intel-isl/DPT）等の他の深度推定モデルを用いて推定されてもよいし、他の深度推定技術を用いて推定されてもよい。

【0090】

また、ＣＰＵ３１は、画像内の対象者Ｔの深度を推定すると、検出された少なくとも１つの部位の各々の座標を、推定した深度を用いて変換する。ここで、図８を参照して、この変換方法の一例について説明する。例えば図８（ａ）の左図に示すように、画像内の対象者Ｔの深度がｄ（０＜ｄ＜１）であると推定された場合に、ＣＰＵ３１は、図８（ａ）の左図内の対象者Ｔを含む領域（図中破線で示す領域）をｖ（例えば、１／ｄ）倍する（ここでは、拡大する）ようにスケールの変更を行う。そして、ＣＰＵ３１は、図８（ａ）の右図に示すスケール変更後の画像内の少なくとも１つの部位の各々の座標を用いて、後述する識別手段４５の機能を実施する。なお、図８（ａ）の左図内の少なくとも１つの部位のうち何れかの部位の座標を例えば図８（ｂ）の左図に示すように（ｒ ｃｏｓθ，ｒ ｓｉｎθ）とした場合、ｖ（例えば、１／ｄ）倍にスケール変更した後の当該何れかの部位の座標は、例えば図８（ｂ）の右図に示すように（ｖｒ ｃｏｓθ，ｖｒ ｓｉｎθ）で表される。

【0091】

なお、変換手段４４は、事前に計測された対象者Ｔ（個体）の少なくとも２つの部位間の距離に基づいて、検出された対象者Ｔの少なくとも１つの部位の各々の取得した画像内の座標を変換する機能を備えてもよい。この場合、事前に計測された対象者Ｔの少なくとも２つの部位間の距離（例えば、対象者Ｔの少なくとも２つの部位間の距離の実測値であってもよいし、事前に撮像された画像内の対象者Ｔの少なくとも２つの部位間の距離の計測値であってもよい）に応じて変換された対象者Ｔの少なくとも１つの部位の各々の座標を用いて個体識別を行うことが可能になるので、例えば少なくとも２つの部位間の距離に応じて座標を変換しない場合と比較して、個体識別の精度を向上させることができる。

【0092】

また、変換手段４４は、事前に計測された対象者Ｔ（個体）の首部分と腰部分との距離に基づいて、検出された対象者Ｔの少なくとも１つの部位の各々の取得した画像内の座標を変換してもよい。これにより、事前に計測された対象者Ｔの首部分と腰部分との距離（例えば、対象者Ｔの首部分と腰部分との距離の実測値であってもよいし、事前に撮像された画像内の対象者Ｔの首部分と腰部分との距離の計測値であってもよい）を用いることによって、撮像された画像内の対象者Ｔの少なくとも１つの部位の各々の座標を容易に変換することができる。

【0093】

この場合における変換手段４４の機能は、例えば以下のように実現される。なお、ここでは、事前に計測された対象者Ｔの首部分と腰部分との距離が、事前に撮像された画像内の対象者Ｔの首部分と腰部分との距離の計測値（図９における長さＬ１）である場合を一例として説明する。識別装置３０のＣＰＵ３１は、例えば、検出手段４３の機能に基づいて対象者Ｔ（動体）の少なくとも１つの部位を検出すると、検出された少なくとも１つの部位のうち首部分と腰部分との間の画像内の距離（図９における長さＬ２）をもとめる。ここで、首部分と腰部分との間の長さは、対象者Ｔの２つ以上の部位間の距離の中で最も安定して検出可能であり、且つ、標準偏差が小さいことから、スケール変更を行う際の基準の長さとして用いるのに好適である。そして、ＣＰＵ３１は、図９の左下図内の対象者Ｔを含む領域（図中破線で示す領域）をｖ（例えば、Ｌ１／Ｌ２）倍する（ここでは、拡大する）ようにスケールの変更を行う。そして、ＣＰＵ３１は、図９の右下図に示すスケール変更後の画像内の少なくとも１つの部位の各々の座標を用いて、後述する識別手段４５の機能を実施する。

【0094】

なお、ここでは、変換手段４４が、事前に計測された対象者Ｔの首部分と腰部分との距離に基づいて、検出された対象者Ｔの少なくとも１つの部位の各々の取得した画像内の座標を変換する場合を一例として説明したが、本発明は、この場合に限られない。例えば、変換手段４４は、対象者Ｔの首部分及び腰部分の何れか一方と首部分及び腰部分以外の他の部位との距離に基づいて、又は、対象者Ｔの首部分及び腰部分以外の他の２つ以上の部位間の距離に基づいて、検出された対象者Ｔの少なくとも１つの部位の各々の取得した画像内の座標を変換してもよい。

【0095】

識別手段４５は、検出された対象者Ｔ（個体）の少なくとも１つの部位の各々に関する情報と、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者Ｔを識別する機能を備える。

【0096】

また、識別手段４５は、検出された対象者Ｔ（個体）の少なくとも１つの部位の各々に関する情報と、対象者Ｔの状態に関する情報と、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報及び対象者Ｔの状態に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者Ｔを識別してもよい。

【0097】

ここで、識別手段４５は、検出された対象者Ｔ（個体）の少なくとも１つの部位の各々に関する情報の所定期間内の推移と、対象者Ｔの状態に関する情報の当該所定期間内の推移と、上記の学習済モデルと、に基づいて、対象者Ｔを識別してもよい。これにより、対象者Ｔの少なくとも１つの部位の各々に関する情報及び対象者Ｔの状態に関する情報の各々の所定期間内の推移（変化）に基づいて、対象者Ｔの個体識別を容易に行うことができる。

【0098】

また、識別手段４５は、検出された対象者Ｔ（個体）の少なくとも１つの部位の各々の取得した画像内の座標と、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々の座標を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者Ｔを識別してもよい。これにより、画像内の対象者Ｔの少なくとも１つの部位の各々の座標を用いて、対象者Ｔの個体識別を容易に行うことができる。

【0099】

さらに、識別手段４５は、変換手段４４の機能に基づいて変換された少なくとも１つの部位の各々の座標と、上記の学習済モデルと、に基づいて、対象者Ｔを識別してもよい。

【0100】

識別手段４５の機能は、例えば以下のように実現される。なお、ここでは、識別手段４５が、変換手段４４の機能に基づいて変換された少なくとも１つの部位の各々の座標と、対象者Ｔの状態に関する情報と、学習済モデルと、に基づいて、対象者Ｔを識別する場合を一例として説明する。識別装置３０のＣＰＵ３１は、変換手段４４の機能に基づいて少なくとも１つの部位の各々の座標を変換すると、変換された少なくとも１つの部位の各々の座標と、第２取得手段４２の機能に基づいて取得した対象者Ｔの状態に関する情報とを、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々の座標及び対象者Ｔの状態に関する情報を学習データとして用いた機械学習に基づく学習済モデル（後述する）に入力することによって、対象者Ｔを識別（個体識別）してもよい。

【0101】

学習データの一例を図１０に示す。図１０に示す学習データは、画像内の対象者Ｔの少なくとも１つの部位の各々の座標と、（例えば、当該画像が撮像されたタイミングで計測された）対象者Ｔの状態に関する情報と、当該対象者Ｔ（個体）の識別情報（個体ラベル）（図の例では、「作業員Ａ」、「作業員Ｂ」、「作業員Ｃ」、「作業員Ｄ」等）が対応付けられた状態で記述されているデータである。これにより、この学習データを用いた機械学習の結果として、画像内の対象者Ｔの少なくとも１つの部位の各々の座標と、対象者Ｔの状態に関する情報と、対象者Ｔの識別情報との関係を示す学習済モデルが構成される。

【0102】

なお、第１計測装置２１を所持するユーザ（対象者Ｔ）又は第１計測装置２１が設けられたユーザ（対象者Ｔ）の識別情報（例えば、対象者のＩＤや氏名等）が第１計測装置２１に記憶されている場合には、後述するように、第１計測装置２１に記憶されたユーザ（対象者Ｔ）の識別情報が、対象者Ｔ（個体）の識別情報（個体ラベル）として学習データに記憶されてもよい。

【0103】

したがって、ＣＰＵ３１は、変換手段４４の機能に基づいて変換された少なくとも１つの部位の各々の座標と、第２取得手段４２の機能に基づいて取得した対象者Ｔの状態に関する情報とを学習済モデルに入力することによって、対象者Ｔを識別する（ここでは、対象者Ｔが「作業員Ａ」、「作業員Ｂ」、「作業員Ｃ」、「作業員Ｄ」等の何れかであると識別する）ことができる。

【0104】

なお、ＣＰＵ３１は、対象者Ｔの識別結果を提示してもよい。例えば、ＣＰＵ３１は、識別手段４５の機能に基づいて対象者Ｔを識別すると、対象者Ｔの識別結果に関する情報を例えば表示部３６に表示してもよい。ここで、対象者Ｔの識別結果に関する情報は、テキストデータで構成されてもよいし、画像データ等で構成されてもよい。また、対象者Ｔの識別結果に関する情報が音声データで構成されている場合には、ＣＰＵ３１は、対象者Ｔの識別結果に関する情報を、スピーカ等の音声出力装置から出力してもよい。さらに、ＣＰＵ３１は、対象者Ｔの識別結果に関する情報を、通信網ＮＷを介して識別装置３０に接続された他のコンピュータ（例えば、サーバ等）に送信してもよい。

【0105】

また、ＣＰＵ３１は、所定期間内に取得された全ての画像の各々の対象者Ｔの少なくとも１つの部位の各々の座標（すなわち、少なくとも１つの部位の各々に関する情報の所定期間内の推移）と、当該所定期間内に取得された全ての対象者Ｔの状態に関する情報（すなわち、対象者Ｔの状態に関する情報の当該所定期間内の推移）とを学習済モデルに入力することによって、対象者Ｔの個体識別を行ってもよい。

【0106】

第１情報取得手段４６は、対象者Ｔ（個体）を撮像した画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報を取得する機能を備える。

【0107】

第１情報取得手段４６の機能は、例えば以下のように実現される。識別装置３０のＣＰＵ３１は、例えば、第１取得手段４１及び検出手段４３の機能と同様に、撮像装置１０から送信された画像データを、通信インタフェース部３８を介して受信（取得）する毎に、対象者Ｔの少なくとも１つの部位の各々の位置に対応するノードを画像内に設定するとともに、各ノードの画像内の座標を算出する。そして、ＣＰＵ３１は、算出した少なくとも１つの部位の各々の座標を、例えば図１０に示す学習データに記憶する。また、ＣＰＵ３１は、少なくとも１つの部位の各々の座標毎が新たに学習データに記憶される毎に、複数の識別情報（図１０の例では、「作業員Ａ」、「作業員Ｂ」、「作業員Ｃ」、「作業員Ｄ」）のうち何れかの識別情報を示す正解データが例えば入力部３７を用いて入力されると、入力された正解データ（つまり、「作業員Ａ」、「作業員Ｂ」、「作業員Ｃ」、「作業員Ｄ」の何れか）を、新たに記憶された少なくとも１つの部位の各々の座標に対応する「個体（個体ラベル）」の項目に記憶する。

【0108】

なお、ＣＰＵ３１は、少なくとも１つの部位の各々の座標を学習データに記憶する場合に、各画像における対象者Ｔのサイズが等しくなる（例えば、各画像における対象者Ｔの深度が等しくなる、又は、各画像における対象者Ｔの所定の部位間の距離が等しくなる）ように少なくとも１つの部位の各々の座標を変換し、変換した少なくとも１つの部位の各々の座標を学習データに記憶してもよい。これにより、各画像において撮像装置１０と対象者Ｔとの間の距離が異なる場合であっても、当該距離が等しくなるように少なくとも１つの部位の各々の座標が調整された状態で学習データに記憶されるので、この学習データを用いることによって、個体識別精度が向上したモデルを構成することが可能になる。

【0109】

第２情報取得手段４７は、計測された対象者Ｔ（個体）の状態に関する情報を取得する機能を備える。

【0110】

第２情報取得手段４７の機能は、例えば以下のように実現される。識別装置３０のＣＰＵ３１は、例えば、第１情報取得手段４６の機能に基づいて対象者Ｔの少なくとも１つの部位の各々に関する情報を取得すると、上述した第２取得手段４２の機能と同様に、計測装置２０によって計測された対象者Ｔの状態に関する情報を取得する。そして、ＣＰＵ３１は、取得した対象者Ｔの状態に関する情報を、第１情報取得手段４６の機能に基づいて学習データに記憶された少なくとも１つの部位の各々の座標に対応付けた状態で、学習データに記憶する。ここで、学習データ内の少なくとも１つの部位の各々の座標に対応する画像の撮像日時と、対応する対象者Ｔの状態に関する情報の計測日時とは、同じであってもよいし、所定範囲（例えば、数ミリ秒～数十ミリ秒等）内の時間差を有していてもよい。

【0111】

なお、第１計測装置２１を所持するユーザ（対象者Ｔ）又は第１計測装置２１が設けられたユーザ（対象者Ｔ）の識別情報（例えば、対象者のＩＤや氏名等）が第１計測装置２１に記憶されている場合には、ＣＰＵ３１は、第２情報取得手段４７の機能に基づいて対象者Ｔ（個体）の状態に関する情報を取得するとともに、第１計測装置２１から送信されたユーザ（対象者Ｔ）の識別情報を受信することによって、ユーザ（対象者Ｔ）の識別情報を取得してもよい。また、ＣＰＵ３１は、取得したユーザ（対象者Ｔ）の識別情報を、第１情報取得手段４６の機能に基づいて学習データに記憶された少なくとも１つの部位の各々の座標と、第２情報取得手段４７の機能に基づいて取得した対象者Ｔの状態に関する情報と、に対応付けた状態で、対象者Ｔ（個体）の識別情報（個体ラベル）として学習データに記憶してもよい。

【0112】

学習手段４８は、取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、対象者Ｔ（個体）を識別するのに用いられるモデルを学習する機能を備える。

【0113】

また、学習手段４８は、取得した少なくとも１つの部位の各々に関する情報と、取得した対象者Ｔ（個体）の状態に関する情報と、を学習データとして用いた機械学習によって、対象者Ｔ（個体）を識別するのに用いられるモデルを学習してもよい。

【0114】

学習手段４８の機能は、例えば以下のように実現される。識別装置３０のＣＰＵ３１は、例えば、所定のモデル学習指示が入力部３７を用いて入力されると、図１０に示す学習データを用いてモデルの学習を行う。ＣＰＵ３１は、例えば、時系列対応型ニューラルネットワークモデルを用いて学習してもよい。ここで、時系列対応型ニューラルネットワークとして、例えば、ＲＮＮ（Recurrent Neural Network）や、ＲＮＮの発展型であるＬＳＴＭ（Long Short-Term Memory）等を適用することができる。また、ＣＰＵ３１は、例えば、グラフニューラルネットワーク（ＧＮＮ）モデル、畳み込みニューラルネットワーク（ＣＮＮ）モデル、サポートベクターマシン（ＳＶＭ）モデル、全結合ニューラルネットワーク（ＦＮＮ）モデル、勾配ブースティング（ＨＧＢ）モデル、ウェーブネット（ＷＮ）モデル等の複数のモデルのうち何れかのモデルを用いて学習してもよい。なお、本実施形態では、ＧＮＮの派生である、グラフ畳み込みニューラルネットワーク（ＧＣＮ）モデル、グラフアテンションネットワーク（ＧＡＴ）モデル、グラフ畳み込みＬＳＴＭ（ＧＣ－ＬＳＴＭ）モデルの何れかを用いることによって、個体識別精度を向上させることが可能である。

【0115】

（４）本実施形態のモデル学習システムの主要な処理のフロー
次に、本実施形態のモデル学習システムにより行われる主要な処理のフローの一例について、図１１のフローチャートを参照して説明する。

【0116】

識別装置３０のＣＰＵ３１は、第１情報取得手段４６の機能に基づいて、対象者Ｔ（個体）を撮像した画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報を取得する（ステップＳ１００）。ここで、ＣＰＵ３１は、上述したように、画像内の対象者Ｔの少なくとも１つの部位の各々の座標を検出すると、検出した少なくとも１つの部位の各々の座標を学習データに記憶する。また、ＣＰＵ３１は、少なくとも１つの部位の各々の座標毎が新たに学習データに記憶される毎に、複数の識別情報（例えば、「作業員Ａ」、「作業員Ｂ」、「作業員Ｃ」、「作業員Ｄ」）のうち何れかの識別情報を示す正解データが例えば入力部２７を用いて入力されると、入力された正解データ（つまり、「作業員Ａ」、「作業員Ｂ」、「作業員Ｃ」、「作業員Ｄ」の何れか）を、新たに記憶された少なくとも１つの部位の各々の座標に対応する「個体（個体ラベル）」の項目に記憶してもよい。

【0117】

次に、識別装置３０のＣＰＵ３１は、計測された対象者Ｔ（個体）の状態に関する情報を取得する（ステップＳ１０２）。ここで、ＣＰＵ３１は、上述した第２取得手段４２の機能と同様に、計測装置２０によって計測された対象者Ｔの状態に関する情報を取得すると、取得した対象者Ｔの状態に関する情報を、ステップＳ１００において学習データに記憶された少なくとも１つの部位の各々の座標に対応付けた状態で、学習データに記憶する。また、ＣＰＵ３１は、第１計測装置２１から送信されたユーザ（対象者Ｔ）の識別情報を受信することによって、ユーザ（対象者Ｔ）の識別情報を取得した場合に、取得したユーザ（対象者Ｔ）の識別情報を、ステップＳ１００において学習データに記憶された少なくとも１つの部位の各々の座標と、取得した対象者Ｔの状態に関する情報と、に対応付けた状態で、対象者Ｔ（個体）の識別情報（個体ラベル）として学習データに記憶してもよい。

【0118】

次いで、識別装置３０のＣＰＵ３１は、取得した少なくとも１つの部位の各々に関する情報と、取得した対象者Ｔ（個体）の状態に関する情報と、を学習データとして用いた機械学習によって、対象者Ｔ（個体）を識別するのに用いられるモデルを学習する（ステップＳ１０４）。ここで、ＣＰＵ３１は、例えば、グラフ畳み込みニューラルネットワーク（ＧＣＮ）モデル、グラフアテンションネットワーク（ＧＡＴ）モデル、グラフ畳み込みＬＳＴＭ（ＧＣ－ＬＳＴＭ）モデルの何れかを用いて学習してもよい。

【0119】

このようにして、画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報と対象者Ｔの状態に関する情報とを学習データとして用いた機械学習によって、対象者Ｔを識別（個体識別）するのに用いられるモデルを学習することが可能になる。

【0120】

（５）本実施形態の個体識別システムの主要な処理のフロー
次に、本実施形態の個体識別システムにより行われる主要な処理のフローの一例について、図１２のフローチャートを参照して説明する。

【0121】

先ず、識別装置３０のＣＰＵ３１は、第１取得手段４１の機能に基づいて、撮像装置１０によって撮像された対象者Ｔ（個体）の画像を取得する（ステップＳ２００）。次に、識別装置３０のＣＰＵ３１は、第２取得手段４２の機能に基づいて、計測装置２０によって計測された対象者Ｔ（個体）の状態に関する情報を取得する（ステップＳ２０２）。さらに、識別装置３０のＣＰＵ３１は、検出手段４３の機能に基づいて、取得した画像を用いて、対象者Ｔ（動体）の少なくとも１つの部位を検出する（ステップＳ２０４）。ここで、ＣＰＵ３１は、対象者Ｔの少なくとも１つの関節を、対象者Ｔの少なくとも１つの部位として検出してもよい。

【0122】

次に、識別装置３０のＣＰＵ３１は、識別手段４５の機能に基づいて、検出された対象者Ｔ（個体）の少なくとも１つの部位の各々に関する情報と、対象者Ｔの状態に関する情報と、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報及び対象者Ｔの状態に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、を用いて、対象者Ｔを識別する（ステップＳ２０６）。ここで、識別装置３０のＣＰＵ３１は、検出された対象者Ｔ（個体）の少なくとも１つの部位の各々の取得した画像内の座標と、対象者Ｔの状態に関する情報と、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々の座標及び対象者Ｔの状態に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者Ｔを識別してもよい。また、ＣＰＵ３１は、上述した変換手段４４の機能に基づいて変換された少なくとも１つの部位の各々の座標と、上記の学習済モデルと、に基づいて、対象者Ｔを識別してもよい。

【0123】

なお、識別装置３０のＣＰＵ３１は、ステップＳ２０６の後に、識別結果に関する情報を例えば表示部３６に表示してもよい。また、識別装置３０のＣＰＵ３１は、識別結果に関する情報を、通信網ＮＷを介して他のコンピュータ（例えば、サーバ等）に送信してもよい。

【0124】

上述したように、本実施形態の個体識別システム、個体識別方法、プログラムによれば、撮像装置１０によって撮像された対象者Ｔの画像に基づいて検出された当該対象者Ｔの少なくとも１つの部位の各々に関する情報と、対象者Ｔの状態に関する情報と、学習済モデルと、に基づいて当該対象者Ｔが識別されるので、撮像装置１０によって撮像された対象者Ｔの画像と計測装置２０によって計測された対象者Ｔの状態に関する情報とを用いることによって当該対象者Ｔを識別することが可能になる。これにより、例えば対象者Ｔの識別情報が形成された衣服等を用いることなく個体識別を行うことが可能になるので、個体識別を容易且つ高精度に行うことができる。

【0125】

また、本実施形態のモデル学習システム、モデル学習方法、プログラムによれば、画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報と対象者Ｔの状態に関する情報とを学習データとして用いた機械学習によって、対象者Ｔを識別するのに用いられるモデルを学習することが可能になるので、このモデルを用いることによって、個体識別を容易に行うことができる。

【0126】

なお、本発明のプログラムは、コンピュータで読み取り可能な記憶媒体に記憶されていてもよい。このプログラムを記録した記憶媒体は、図２に示す識別装置３０のＲＯＭ３２、ＲＡＭ３３又は記憶装置３４であってもよい。また、記憶媒体は、例えばＣＤ－ＲＯＭドライブ等のプログラム読取装置に挿入されることで読み取り可能なＣＤ－ＲＯＭ等であってもよい。さらに、記憶媒体は、磁気テープ、カセットテープ、フレキシブルディスク、ＭＯ／ＭＤ／ＤＶＤ等であってもよいし、半導体メモリであってもよい。

【0127】

以上説明した実施形態は、本発明の理解を容易にするために記載されたものであって、本発明を限定するために記載されたものではない。したがって、上記実施形態に開示された各要素は、本発明の技術的範囲に属する全ての設計変更や均等物をも含む趣旨である。

【0128】

例えば、上述した実施形態では、識別手段４５が、対象者Ｔ（個体）の少なくとも１つの部位の各々に関する情報と、対象者Ｔの状態に関する情報と、を用いて、対象者Ｔを識別する場合を一例として説明しているが、本発明は、この場合に限られない。例えば、識別手段４５は、対象者Ｔ（個体）の少なくとも１つの部位の各々に関する情報と、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者Ｔを識別してもよい。すなわち、識別手段４５は、対象者Ｔの状態に関する情報を用いることなく、対象者Ｔを識別してもよい。

【0129】

この場合における学習データの一例を図１３に示す。図１３に示す学習データは、画像内の対象者Ｔの少なくとも１つの部位の各々の座標と、当該対象者Ｔ（個体）の識別情報（個体ラベル）（図の例では、「作業員Ａ」、「作業員Ｂ」、「作業員Ｃ」、「作業員Ｄ」等）が対応付けられた状態で記述されているデータである。これにより、この学習データを用いた機械学習の結果として、画像内の対象者Ｔの少なくとも１つの部位の各々の座標と、対象者Ｔの識別情報との関係を示す学習済モデルが構成される。

【0130】

なお、上述したように、第１計測装置２１を所持するユーザ（対象者Ｔ）又は第１計測装置２１が設けられたユーザ（対象者Ｔ）の識別情報（例えば、対象者のＩＤや氏名等）が第１計測装置２１に記憶されている場合には、第１計測装置２１に記憶されたユーザ（対象者Ｔ）の識別情報が、対象者Ｔ（個体）の識別情報（個体ラベル）として学習データに記憶されてもよい。

【0131】

ここで、学習手段４８は、取得した少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習によって、対象者Ｔ（個体）を識別するのに用いられるモデルを学習してもよい。例えば、識別装置３０のＣＰＵ３１は、例えば、所定のモデル学習指示が入力部３７を用いて入力されると、図１３に示す学習データを用いてモデルの学習を行ってもよい。

【0132】

また、識別手段４５は、検出された対象者Ｔ（個体）の少なくとも１つの部位の各々に関する情報と、対象者Ｔの画像内の対象者Ｔの少なくとも１つの部位の各々に関する情報を学習データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者Ｔを識別してもよい。例えば、識別装置３０のＣＰＵ３１は、変換手段４４の機能に基づいて変換された少なくとも１つの部位の各々の座標を、図１３に示す学習データを用いた機械学習に基づく学習済モデルに入力することによって、対象者Ｔを識別（個体識別）してもよい。

【0133】

この場合における個体識別システム、個体識別方法、プログラムによれば、撮像装置１０によって撮像された対象者Ｔの画像に基づいて検出された対象者Ｔの少なくとも１つの部位の各々に関する情報と、学習済モデルと、に基づいて対象者Ｔが識別されるので、撮像装置１０によって撮像された対象者Ｔの画像を用いることによって対象者Ｔを識別することが可能になる。これにより、例えば対象者Ｔの識別情報が形成された衣服等を用いることなく個体識別を行うことが可能になるので、個体識別を容易に行うことができる。

【0134】

また、上述した実施形態では、個体が人物（対象者Ｔ）である場合を一例として説明したが、この場合に限られない。個体は、個体識別の対象となり得るものであれば如何なるものであってもよく、例えば、人物以外の生物であってもよいし、製品等のオブジェクトであってもよい。

【0135】

さらに、上述した実施形態では、対象者Ｔ（動体）の首、右肩、左肩、右臀部、左臀部が、対象者Ｔの部位として検出される場合を一例として説明したが、他の部位（例えば、頭、手、足、関節等）が検出されてもよい。

【0136】

さらにまた、上述した実施形態では、１つの個体（対象者Ｔ）の個体識別が行われる場合を一例として説明したが、複数の個体の各々の個体識別が同時に行われてもよい。

【0137】

また、上述した実施形態では、１つの識別装置３０が設けられている場合を一例として説明したが、この場合に限られない。例えば、複数の識別装置３０が設けられてもよく、この場合には、何れかの識別装置３０上の操作内容及び処理結果等が他の識別装置３０上でリアルタイムに提示されてもよいし、何れかの識別装置３０での処理結果等が複数の識別装置３０間で共有されてもよい。

【0138】

さらに、上述した実施形態では、画像内の対象者Ｔの少なくとも１つの部位の各々の座標が本発明の「個体の少なくとも１つの部位の各々に関する情報」に対応する場合を一例として説明したが、この場合に限られない。「個体の少なくとも１つの部位の各々に関する情報」は、例えば、画像内の対象者Ｔの少なくとも１つの部位の各々の角度に関する情報であってもよいし、画像内の対象者Ｔの複数の部位間の距離に関する情報であってもよいし、画像内の対象者Ｔの少なくとも１つの部位の各々の所定期間内の移動態様（例えば、移動速度や移動距離）等であってもよい。

【0139】

さらにまた、上述した実施形態では、識別装置３０によって、第１取得手段４１、第２取得手段４２、検出手段４３、変換手段４４、識別手段４５、第１情報取得手段４６、第２情報取得手段４７及び学習手段４８の各機能を実現する構成としたが、この構成に限られない。例えば、インターネットやＬＡＮ等の通信網を介して識別装置３０と通信可能に接続されたコンピュータ等（例えば、汎用のパーソナルコンピュータやサーバコンピュータ等）から構成された学習装置５０（図１４に示す）であって、個体を識別するのに用いられるモデルを学習するための学習装置５０が設けられてもよい。この場合、識別装置３０及び学習装置５０は、実質的に同一のハードウェア構成を採ることができるので、上記実施形態において説明した各手段４１～４８のうち少なくとも１つの手段の機能を学習装置５０によって実現することが可能になる。例えば、図３に示した機能ブロック図の各機能は、図１４（ａ），（ｂ）に示すように、識別装置３０と学習装置５０との間で任意に分担されてもよい。

【0140】

また、上記各手段４１～４８のうち少なくとも１つの手段の機能を撮像装置１０及び／又は計測装置２０によって実現する構成としてもよい。

【産業上の利用可能性】

【0141】

上述したような本発明の個体識別システム、モデル学習システム、個体識別方法、モデル学習方法、プログラムは、個体識別を容易に行うことができ、例えば、個体（例えば、作業者等の人物や人物以外の生物等）の行動分析を行うシステムや、個体の行動に応じて適切な情報を提供する情報提供システムや、個体（例えば、入院患者、施設の入居者、ペット等）のモニタリングシステム等に好適に利用することができるので、その産業上の利用可能性は極めて大きい。

【符号の説明】

【0142】

１０…撮像装置
２０…計測装置
３０…識別装置
４１…第１取得手段
４２…第２取得手段
４３…検出手段
４４…変換手段
４５…識別手段
４６…第１情報取得手段
４７…第２情報取得手段
４８…学習手段
５０…学習装置
Ｔ…対象者

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】