特許 7465901 情報処理プログラム、情報処理装置及び情報処理システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-04-03

(45)【発行日】2024-04-11

(54)【発明の名称】情報処理プログラム、情報処理装置及び情報処理システム

(51)【国際特許分類】

   G08G 1/052 20060101AFI20240404BHJP

   G08G 1/04 20060101ALI20240404BHJP

   G06T 7/00 20170101ALI20240404BHJP

   G06T 7/60 20170101ALI20240404BHJP

   G01P 3/68 20060101ALI20240404BHJP

   G16Y 10/40 20200101ALI20240404BHJP

   G16Y 40/10 20200101ALI20240404BHJP

【ＦＩ】

G08G1/052

G08G1/04 D

G06T7/00 650B

G06T7/60 200J

G01P3/68 Z

G16Y10/40

G16Y40/10

【請求項の数】 12

(21)【出願番号】P 2022003029

(22)【出願日】2022-01-12

(65)【公開番号】P2023102505

(43)【公開日】2023-07-25

【審査請求日】2022-03-18

(73)【特許権者】

【識別番号】501440684

【氏名又は名称】ソフトバンク株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】賀 振宇

(72)【発明者】

【氏名】内藤 達大

(72)【発明者】

【氏名】錦見 正紀

(72)【発明者】

【氏名】鳥島 亮太

【審査官】武内 俊之

(56)【参考文献】

【文献】特開２０１５－２０７２１２（ＪＰ，Ａ）

【文献】特開平１０－１７０２２６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０８Ｇ １／０５２

Ｇ０８Ｇ １／０４

Ｇ０６Ｔ ７／００

Ｇ０６Ｔ ７／６０

Ｇ０１Ｐ ３／６８

Ｇ１６Ｙ １０／４０

Ｇ１６Ｙ ４０／１０

(57)【特許請求の範囲】

【請求項1】

道路の画像を撮像する撮像装置から取得した前記画像のうち、前記道路上に固定された固定物が撮像された領域である固定物領域を検出する検出手順と、
前記検出手順によって検出された前記固定物領域と、前記画像のうち、前記道路上を走行する車両の走行頻度が所定の閾値を超える領域を含む道路領域を囲む外接矩形と、前記固定物領域とに基づいて、前記固定物領域の端を検出し、検出された前記固定物領域の端の位置に基づく前記画像上の複数の基準線を用いて、前記車両の走行速度に関する速度情報を推定する推定手順と、
をコンピュータに実行させる情報処理プログラム。

【請求項2】

前記推定手順は、
前記画像上で前記外接矩形を前記外接矩形の長辺方向に移動させることにより、前記外接矩形の短辺と前記固定物領域とが交差する交差状態から前記外接矩形の短辺と前記固定物領域とが交差しない非交差状態へと変化する前記固定物領域の端、または、前記非交差状態から前記交差状態へと変化する前記固定物領域の端を検出する、
請求項１に記載の情報処理プログラム。

【請求項3】

前記推定手順は、
前記画像上で前記外接矩形を前記外接矩形の長辺方向に移動させることにより、複数の前記固定物領域の端を検出した場合に、検出された複数の前記固定物領域の端それぞれの位置に基づく前記複数の基準線を用いて、前記速度情報を推定する、
請求項１または２に記載の情報処理プログラム。

【請求項4】

前記推定手順は、
前記外接矩形の短辺と平行な前記複数の基準線を用いて、前記速度情報を推定する、
請求項１～３のいずれか１つに記載の情報処理プログラム。

【請求項5】

前記推定手順は、
動画像である前記画像に撮像された前記車両をトラッキングすることにより推定された前記車両の軌跡に基づいて、前記道路領域を推定する、
請求項１～４のいずれか１つに記載の情報処理プログラム。

【請求項6】

前記推定手順は、
前記車両の軌跡を含む凸包を前記道路領域として推定する、
請求項５に記載の情報処理プログラム。

【請求項7】

前記推定手順は、
前記外接矩形の面積が最小となる最小外接矩形と、前記固定物領域とに基づいて、前記固定物領域の端を検出する、
請求項１～６のいずれか１つに記載の情報処理プログラム。

【請求項8】

前記固定物は、前記道路上に固定された白線であり、
前記検出手順は、
前記固定物領域として、前記白線が撮像された領域である白線領域を検出し、
前記推定手順は、
前記白線領域の長さと前記白線同士の間隔の長さとの比率に基づいて、前記道路の種類を推定し、推定された前記道路の種類に応じて、前記複数の基準線の間の実距離を推定する、
請求項１～７のいずれか１つに記載の情報処理プログラム。

【請求項9】

前記推定手順は、
前記撮像装置によって撮像された動画像を構成する一のフレーム画像中の前記車両の位置を示す第１代表点と、前記一のフレーム画像と時間的に隣り合う次のフレーム画像中の前記車両の位置を示す第２代表点とを連結した線分と、前記基準線とが交差するか否かを判定し、前記線分と前記基準線とが交差すると判定した場合、前記車両が前記基準線を通過したと判定し、前記線分と前記基準線とが交差しないと判定した場合、前記車両が前記基準線を通過していないと判定する手順を含む、
請求項１～８のいずれか１つに記載の情報処理プログラム。

【請求項10】

前記推定手順は、
隣り合う２つの前記基準線のうち一方の前記基準線を通過した前記車両が撮像された第１フレームに対応する時刻と、前記２つの前記基準線のうち他方の前記基準線を通過した前記車両が撮像された第２フレームに対応する時刻との時間差に相当する時間を、前記車両が前記２つの前記基準線の間を通過するのに要した移動時間であると推定する、
請求項１～９のいずれか１つに記載の情報処理プログラム。

【請求項11】

道路の画像を撮像する撮像装置から取得した前記画像のうち、前記道路上に固定された固定物が撮像された領域である固定物領域を検出する検出部と、
前記検出部によって検出された前記固定物領域と、前記画像のうち、前記道路上を走行する車両の走行頻度が所定の閾値を超える領域を含む道路領域を囲む外接矩形と、前記固定物領域とに基づいて、前記固定物領域の端を検出し、検出された前記固定物領域の端の位置に基づく前記画像上の複数の基準線を用いて、前記車両の走行速度に関する速度情報を推定する推定部と、
を備える情報処理装置。

【請求項12】

撮像装置と、情報処理装置とを、備える情報処理システムであって、
前記撮像装置は、
道路の画像を撮像し、
前記情報処理装置は、
前記撮像装置から取得した前記画像のうち、前記道路上に固定された固定物が撮像された領域である固定物領域を検出し、前記検出された前記固定物領域と、前記画像のうち、前記道路上を走行する車両の走行頻度が所定の閾値を超える領域を含む道路領域を囲む外接矩形と、前記固定物領域とに基づいて、前記固定物領域の端を検出し、検出された前記固定物領域の端の位置に基づく前記画像上の複数の基準線を用いて、前記車両の走行速度に関する速度情報を推定する、
情報処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理プログラム、情報処理装置及び情報処理システムに関する。

【背景技術】

【0002】

従来、道路上を走行する車両の走行速度に関する速度情報を推定する技術が知られている。例えば、車両の進行方向に沿って一定距離に複数設置された撮像装置によって撮像された画像に基づいて、車両の走行速度を推定する技術が知られている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開平８－５５２９３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上記の従来技術は、車両の速度を求めるために、一定距離間隔に設置された複数の撮像装置を要する。

【0005】

本願は、上記に鑑みてなされたものであって、撮像装置が一台であっても、道路上を走行する車両の走行速度に関する速度情報を精度よく推定することができる情報処理プログラム、情報処理装置及び情報処理システ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】

【0006】

本願に係る情報処理プログラムは、道路の画像を撮像する撮像装置から取得した前記画像のうち、前記道路上に固定された固定物が撮像された領域である固定物領域を検出する検出手順と、前記検出手順によって検出された前記固定物領域の位置に基づく前記画像上の複数の基準線を用いて、前記道路上を走行する車両の走行速度に関する速度情報を推定する推定手順と、をコンピュータに実行させる。

【0007】

前記推定手順は、所定の車両が撮像された車両画像と、前記車両画像に撮像された前記所定の車両の位置およびクラスを示す情報との組合せを含む学習データに基づいて、学習された学習済みの機械学習モデルを用いて、前記画像中の車両を検出する手順を含む。

【発明の効果】

【0008】

実施形態の一態様によれば、撮像装置が一台であっても、道路上を走行する車両の走行速度に関する速度情報を精度よく推定することができるといった効果を奏する。

【図面の簡単な説明】

【0009】

【図1】図１は、実施形態に係る情報処理システムの構成例を示す図である。

【図2】図２は、実施形態に係る情報処理の概要について説明するための図である。

【図3】図３は、実施形態に係る道路領域の推定処理の一例を示す図である。

【図4】図４は、実施形態に係る固定物領域の端の検出処理の一例を示す図である。

【図5】図５は、実施形態に係る道路の種類の推定処理の一例を示す図である。

【図6】図６は、実施形態に係る機械学習モデルを用いた画像中の車両の検出処理の一例を示す図である。

【図7】図７は、実施形態に係る車両の移動距離の測定処理の一例を示す図である。

【図8】図８は、実施形態に係る車両の基準線通過の判定処理の一例を示す図である。

【図9】図９は、実施形態に係る車両の移動時間の測定処理の一例を示す図である。

【図10】図１０は、実施形態に係る検出手順を示すフローチャートである。

【図11】図１１は、実施形態に係る推定手順を示すフローチャートである。

【図12】図１２は、第１の変形例に係る情報処理の概要について説明するための図である。

【図13】図１３は、第２の変形例に係る情報処理の概要について説明するための図である。

【図14】図１４は、第３の変形例に係る情報処理の概要について説明するための図である。

【図15】図１５は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

【発明を実施するための形態】

【0010】

以下に、本願に係る情報処理プログラム、情報処理装置及び情報処理システムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理プログラム、情報処理装置及び情報処理システムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

【0011】

（実施形態）
〔１．情報処理システムの構成例〕
図１は、実施形態に係る情報処理システムの構成例を示す図である。図１に示すように、情報処理システム１は、撮像装置１０と情報処理装置１００とを含む。撮像装置１０と情報処理装置１００とは、それぞれネットワークＮを介して有線又は無線で互いに通信可能に接続される。

【0012】

撮像装置１０は、道路の画像を撮像する。具体的には、撮像装置１０は、高速道路や一般道路等の車道の動画像を撮像する。例えば、撮像装置１０は、固定カメラであり、特定の位置から所定時間連続した動画像を撮像する。撮像装置１０は、道路を撮像可能なカメラであれば、道路に設置された固定カメラ、防犯カメラ、車載カメラ、またはドローンに搭載されたカメラなど、いかなる種類のカメラであってもよい。また、撮像装置１０の台数は、少なくとも１台以上あればよい。

【0013】

情報処理装置１００は、図２に示す情報処理を実行する情報処理装置である。図２は、実施形態に係る情報処理の概要について説明するための図である。図２に示すように、情報処理装置１００は、撮像装置１０から道路の動画像を取得する。図２では、動画像を構成する一のフレーム（静止画像、以下、フレーム画像ともいう）Ｇ１を示す。フレーム画像Ｇ１には、２車線の道路Ｒ１上を走行する２台の車両Ｃ１およびＣ２が写っている。また、フレーム画像Ｇ１には、車線を区分する白色の破線の一部が道路Ｒ１の中央に写っている。ここで、白色の破線とは、白線が撮像された領域である白線領域と、白線同士の間隔とが一定の間隔で並んだ線のことを指す。例えば、白色の破線は、道路が２車線である場合のセンターラインや、道路が２車線以上である場合の車線境界線であってよい。

【0014】

続いて、情報処理装置１００は、取得した動画像から複数枚のフレーム画像（例えば、１０枚、２０枚、５０枚、または１００枚のフレーム画像等）を取得し、取得した複数枚のフレーム画像を足し合わせて各画素の平均をとることにより、車両や人物といった道路上の移動物体を削除する（ステップＳ１）。図２では、フレーム画像Ｇ１に写っていた２台の車両Ｃ１およびＣ２を削除した後の合成画像Ｇ２を示す。合成画像Ｇ２では、車両が削除され、道路Ｒ１上の２つの車線を区分する白線のみが道路Ｒ１上に写っている。また、情報処理装置１００は、合成画像Ｇ２に対してハフ変換等の画像処理を行うことで、隣り合う２つの白線それぞれが撮像された領域である白線領域Ｏ１およびＯ２を検出する。なお、白線領域Ｏ１およびＯ２の形状は、道路の進行方向と平行な方向に長い線状とみなせる。

【0015】

また、情報処理装置１００は、取得した動画像に撮像された各車両をトラッキングすることにより各車両の軌跡を推定し、推定した各車両の軌跡に基づいて、道路領域Ａ１を推定する（ステップＳ２）。ここで、道路領域とは、画像のうち、車両の走行頻度が所定の閾値を超える領域のことを指す。情報処理装置１００は、道路領域Ａ１を推定した場合に、推定した道路領域Ａ１を合成画像Ｇ２の画像上に描画した合成画像Ｇ３を生成してもよい。図２に示すように、道路領域Ａ１の形状は、道路の進行方向と垂直な方向の長さに対して、道路の進行方向と平行な方向に長く伸びた形となる。また、道路領域Ａ１は、道路の進行方向と垂直な方向の長さが、道路の幅に収まる。

【0016】

続いて、情報処理装置１００は、道路領域Ａ１を囲む外接矩形Ｔ１を生成する（ステップＳ３）。例えば、外接矩形Ｔ１は、面積が最小となる最小外接矩形である。情報処理装置１００は、外接矩形Ｔ１を生成した場合に、生成した外接矩形Ｔ１を合成画像Ｇ２の画像上に描画した合成画像Ｇ４を生成してもよい。図２に示すように、道路領域Ａ１の形状が道路の進行方向と平行な方向に長く伸びた形状となるため、外接矩形Ｔ１は、長辺方向が道路の進行方向と平行な長方形となる。

【0017】

続いて、情報処理装置１００は、画像上で外接矩形Ｔ１を外接矩形Ｔ１の長辺方向に移動させることにより、線状である白線領域Ｏ１の２つの端のうちの一方の端を検出する。図２に示すでは、情報処理装置１００は、画像上で外接矩形Ｔ１をスライドさせることにより、合成画像Ｇ４に示す外接矩形Ｔ１の一の短辺と白線領域Ｏ１とが交差する交差状態から、外接矩形Ｔ１の一の短辺と白線領域Ｏ１とが交差しない非交差状態へと変化する境界（すなわち、白線Ｏ１と白線同士の間隔との境界のうち、一方の境界Ｅ１２）を検出する。情報処理装置１００は、外接矩形Ｔ１の一の短辺と白線領域Ｏ１とが、交差状態から非交差状態へと変化する境界Ｅ１２を検出した場合に、検出された境界Ｅ１２を白線領域Ｏ１の端として特定する。

【0018】

続いて、情報処理装置１００は、画像上で外接矩形Ｔ１を外接矩形の長辺方向にさらに移動させることにより、白線領域Ｏ１と隣り合う白線領域Ｏ２の端を検出する。例えば、情報処理装置１００は、外接矩形Ｔ１の一の短辺と白線領域Ｏ１とが交差しない非交差状態から、外接矩形Ｔ１の一の短辺と白線領域Ｏ２とが交差する交差状態へと変化する境界Ｅ２１（すなわち、白線Ｏ２と白線同士の間隔との境界Ｅ２１およびＥ２２のうち、一方の境界Ｅ２１）を検出する。続いて、情報処理装置１００は、画像上で外接矩形Ｔ１を外接矩形の長辺方向にさらに移動させることにより、外接矩形Ｔ１の一の短辺と白線領域Ｏ２とが交差する交差状態から、外接矩形Ｔ１の一の短辺と白線領域Ｏ２とが交差しない非交差状態へと変化する境界Ｅ２２（すなわち、白線Ｏ２と白線同士の間隔との境界Ｅ２１およびＥ２２のうち、他方の境界Ｅ２２）を検出する。このように、情報処理装置１００は、線状である白線領域Ｏ２の２つの端Ｅ２１およびＥ２２のうち、先に検出された白線領域Ｏ１の端Ｅ１２と同じ側の端Ｅ２２を検出する。情報処理装置１００は、外接矩形Ｔ１の一の短辺と白線領域Ｏ２とが、交差状態から非交差状態へと変化する境界Ｅ２２を検出した場合に、検出された境界Ｅ２２を白線領域Ｏ２の端として特定する。

【0019】

続いて、情報処理装置１００は、隣り合う２つの白線領域Ｏ１の端（境界Ｅ１２）および白線領域Ｏ２の端（境界Ｅ２２）を検出した場合に、検出された白線領域Ｏ１の端および白線領域Ｏ２の端それぞれの位置に基づく２つの基準線Ｌ１およびＬ２を生成する（ステップＳ４）。例えば、２つの基準線Ｌ１およびＬ２は、外接矩形Ｔ１の短辺と平行な直線である。情報処理装置１００は、隣り合う２つの白線領域Ｏ１およびＯ２の端を検出した場合に、検出された白線領域Ｏ１の端（境界Ｅ１２）および白線領域Ｏ２の端（境界Ｅ２２）それぞれの位置に、生成された基準線Ｌ１およびＬ２それぞれを描画した合成画像Ｇ５を生成してもよい。

【0020】

続いて、情報処理装置１００は、２つの基準線Ｌ１およびＬ２を用いて、道路Ｒ１上を走行する車両の走行速度に関する速度情報を推定する。一般的に、道路の種類に応じて、白線の長さおよび白線同士の間隔の長さが決まっている。情報処理装置１００は、道路の種類に応じた白線の長さおよび白線同士の間隔の長さを示す情報を取得する。情報処理装置１００は、白線の長さおよび白線同士の間隔の長さを示す情報に基づいて、２つの基準線Ｌ１とＬ２の間の実距離を特定する。また、情報処理装置１００は、動画像から、２つの基準線Ｌ１とＬ２の間を車両が走行するのに要した時間を特定する。情報処理装置１００は、特定された２つの基準線Ｌ１とＬ２の間の実距離を、２つの基準線Ｌ１とＬ２の間を車両が走行するのに要した時間で除することにより、２つの基準線Ｌ１とＬ２の間を走行した車両の走行速度を算出する。

【0021】

なお、上述した図２では、情報処理装置１００が、外接矩形Ｔ１の一の短辺と白線領域とが、交差状態から非交差状態へと変化する境界を検出した場合に、検出された境界を白線領域の端として特定する場合について説明したが、これに限られない。具体的には、情報処理装置１００は、外接矩形Ｔ１の一の短辺と白線領域とが、非交差状態から交差状態へと変化する境界を検出した場合に、検出された境界を白線領域の端として特定してもよい。

【0022】

また、上述した図２では、車両が自動車である場合について説明したが、車両は自動車に限られない。例えば、本実施形態における車両には、自動車の他に、原動機付自転車（バイク）、自転車、荷車そのほか人もしくは動物の力により、または他の車両に牽引(けんいん)され、レールによらないで運転する車が含まれてよい。

【0023】

ここから、再び図１を用いて、実施形態に係る情報処理装置１００の構成について説明する。図１に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の利用者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）を有してもよい。

【0024】

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。また、通信部１１０は、ネットワークＮと有線又は無線で接続され、例えば、撮像装置１０との間で情報の送受信を行う。

【0025】

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、各種プログラム（情報処理プログラムの一例に相当）を記憶する。また、記憶部１２０は、取得部１３１が撮像装置１０から取得した画像を記憶する。また、記憶部１２０は、画像中の車両を検出するために用いる学習済みの機械学習モデルＭ１に関する情報を記憶する。

【0026】

（制御部１３０）
制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報処理装置１００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。

【0027】

図１に示すように、制御部１３０は、取得部１３１と、検出部１３２と、推定部１３３と、提供部１３４とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部１３０の内部構成は、図１に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

【0028】

（取得部１３１）
取得部１３１は、道路の画像を撮像する撮像装置１０から画像を取得する。具体的には、取得部１３１は、通信部１１０を介して、撮像装置１０から画像を取得する。例えば、取得部１３１は、固定位置に設置された撮像装置１０によって所定時間連続で撮像された動画像を取得する。取得部１３１は、画像を取得すると、取得した画像を記憶部１２０に格納する。

【0029】

（検出部１３２）
検出部１３２は、取得部１３１が取得した画像のうち、道路上に固定された白線が撮像された領域である白線領域を検出する。このように、検出部１３２は、画像のうち、道路上に固定された固定物（例えば、白線）が撮像された領域である固定物領域（例えば、白線領域）を検出する。例えば、検出部１３２は、取得部１３１が取得した動画像を取得する。続いて、検出部１３２は、動画像からｎ枚（例えば、ｎ＝１０、２０、５０、または１００等）の異なるフレーム画像を取得する。続いて、検出部１３２は、取得したｎ枚のフレーム画像の各画素を（１／ｎ）倍したものを全て足し合わせる。このように、検出部１３２は、ｎ枚のフレーム画像を足し合わせて各画素の平均をとる画像処理により、道路上を移動する移動物体が削除された合成画像（以下、車両を削除した画像ともいう）を生成する。続いて、検出部１３２は、生成された合成画像のうち、道路が撮像された領域である道路領域以外の領域を塗りつぶす。続いて、検出部１３２は、合成画像全体をグレースケール変換する。続いて、検出部１３２は、グレースケール変換された合成画像に含まれるエッジを抽出する。続いて、検出部１３２は、エッジを抽出した合成画像をハフ変換して、画像のうち、白線が撮像された領域である白線領域を検出する。

【0030】

（推定部１３３）
推定部１３３は、検出部１３２によって検出された白線領域の位置に基づく画像上の複数の基準線を用いて、道路上を走行する車両の走行速度に関する速度情報を推定する。このように、推定部１３３は、検出部１３２によって検出された固定物領域（例えば、白線領域）の位置に基づく画像上の複数の基準線を用いて、道路上を走行する車両の走行速度に関する速度情報を推定する。より具体的には、推定部１３３は、画像のうち、車両の走行頻度が所定の閾値を超える領域を含む道路領域を囲む外接矩形と、白線領域とに基づいて、白線領域の端を検出し、検出された白線領域の端の位置に基づく複数の基準線を用いて、速度情報を推定する。

【0031】

図３は、実施形態に係る道路領域の推定処理の一例を示す図である。図３に示す画像Ｇ１１は、取得部１３１が取得した動画像を構成する一のフレームを示す。推定部１３３は、取得部１３１が取得した動画像を取得する。続いて、推定部１３３は、動画像に撮像された各車両をトラッキングすることにより、各車両の中心座標を繋いだ線を生成し、生成した線を各車両の軌跡として推定する（ステップＳ２１）。推定部１３３は、各車両の中心座標を繋いだ線を描画した合成画像Ｇ１２を生成してもよい。

【0032】

続いて、推定部１３３は、合成画像Ｇ１２に基づいて、合成画像Ｇ１２のうち、所定の閾値を超える濃さの画素のみを抽出する（ステップＳ２２）。推定部１３３は、所定の閾値を超える濃さの画素のみを抽出した合成画像Ｇ１３を生成してもよい。

【0033】

続いて、推定部１３３は、合成画像Ｇ１３に基づいて、合成画像Ｇ１３のうち、抽出された画素によって構成される各領域の輪郭を抽出し、各領域の外周の長さで各領域をクラスタリングする（ステップＳ２３）。推定部１３３は、各領域をクラスタリングしたものを可視化した合成画像Ｇ１４を生成してもよい。

【0034】

続いて、推定部１３３は、クラスタリングされた各領域が凸包になるように各領域を塗りつぶす（ステップＳ２４）。推定部１３３は、各領域が凸包になるように塗りつぶされた状態を可視化した合成画像Ｇ１５を生成してもよい。

【0035】

続いて、推定部１３３は、凸包に塗りつぶされた各領域のうち、面積が最大となるクラスタの領域を抽出し、抽出したクラスタの領域を道路領域として推定する。このように、推定部１３３は、車両の軌跡を含む凸包を道路領域として推定する。図３に示す例では、推定部１３３は、面積が最大となるクラスタに属する要素が２つあるので、２つの要素のうち最も面積の大きい方を道路領域として推定する（ステップＳ２５）。推定部１３３は、推定された道路領域を可視化した合成画像Ｇ１６を生成してもよい。

【0036】

続いて、推定部１３３は、検出部１３２によって生成された車両を削除した画像に推定された道路領域を重畳する（ステップＳ２５）。推定部１３３は、車両を削除した画像に推定された道路領域を重畳した合成画像Ｇ３１を生成してもよい。

【0037】

図４は、実施形態に固定物領域の端の検出処理の一例を示す図である。図４に示す画像Ｇ３１は、図３で生成された合成画像Ｇ３１を示す。推定部１３３は、合成画像Ｇ３１に基づいて、合成画像Ｇ３１のうち、推定された道路領域を囲む外接矩形を生成する（ステップＳ３１）。推定部１３３は、外接矩形を生成した場合に、車両を削除した画像に生成した外接矩形を重畳した合成画像Ｇ４１を生成してもよい。

【0038】

続いて、推定部１３３は、車両を削除した画像上で外接矩形を外接矩形の長辺方向に移動させることにより、外接矩形の短辺と白線領域とが交差する交差状態から外接矩形の短辺と白線領域とが交差しない非交差状態へと変化する白線領域の端、または、非交差状態から交差状態へと変化する白線領域の端を検出する。推定部１３３は、画像上で外接矩形を外接矩形の長辺方向に移動させることにより、複数の白線領域の端を検出した場合に、検出された複数の白線領域の端それぞれの位置に基づく複数の基準線を生成する（ステップＳ４１）。例えば、推定部１３３は、検出された複数の白線領域の端それぞれの位置に外接矩形の短辺と平行な複数の基準線を生成する。推定部１３３は、車両を削除した画像に生成した複数の基準線を重畳した合成画像Ｇ５１を生成してもよい。

【0039】

続いて、推定部１３３は、白線に対して基準線の角度が直角になるように調整した複数の基準線を生成してもよい（ステップＳ４２）。例えば、推定部１３３は、白線領域の端を検出した場合に、白線の長手方向に沿った直線の角度を算出する。続いて、推定部１３３は、算出した角度に対して、基準線の角度が直角となるように配置された複数の基準線を生成する。推定部１３３は、車両を削除した画像に角度が直角になるように調整した複数の基準線を重畳した合成画像Ｇ５２を生成してもよい。これにより、情報処理装置１００は、道路の進行方向に対して垂直な複数の基準線に基づいて速度情報を推定することができるので、速度情報をより精度よく推定することができる。

【0040】

また、道路の規格により、国内の一般道路における白線の長さは５ｍであり、白線同士の間隔の長さは５ｍであると決まっている。つまり、国内の一般道路は、白線領域の長さと白線同士の間隔の長さとの比率が１：１であり、白線領域の長さと白線同士の間隔の長さの合計の長さが１０ｍである。また、道路の規格により、国内の高速道路における白線の長さは８ｍであり、白線同士の間隔の長さは１２ｍであると決まっている。つまり、国内の高速道路は、白線領域の長さと白線同士の間隔の長さとの比率が１：１．５であり、白線領域の長さと白線同士の間隔の長さの合計の長さが２０ｍである。すなわち、高速道路における白線領域の長さと白線同士の間隔の長さの合計の長さは、一般道路における白線領域の長さと白線同士の間隔の長さの合計の長さの２倍である。

【0041】

図５は、実施形態に道路の種類の推定処理の一例を示す図である。推定部１３３は、白線領域の長さと白線同士の間隔の長さとの比率に基づいて、道路の種類を推定する。図５に示す画像Ｇ６１は、取得部１３１が取得した動画像を構成する一のフレームを示す。推定部１３３は、画像Ｇ６１のうち、道路が撮像された領域である道路領域以外の領域を塗りつぶす。続いて、推定部１３３は、合成画像全体をグレースケール変換する。続いて、推定部１３３は、グレースケール変換された合成画像に含まれるエッジを抽出する。続いて、推定部１３３は、エッジを抽出した合成画像をハフ変換して、合成画像のうち、白線が撮像された領域である白線領域を検出する。続いて、推定部１３３は、ハフ変換された合成画像に含まれる４つの白線領域の端それぞれを示す４つの点に座標を与えて射影変換する。図５に示す画像Ｇ６２は、画像Ｇ６１に示す４つの点を射影変換した後の合成画像である。図５に示す射影変換後の画像Ｇ６２における白線領域の長さは７３ピクセルであり、白線同士の間隔の長さは１０６ピクセルである。このとき、推定部１３３は、射影変換後の画像Ｇ６２における白線領域の長さと白線同士の間隔の長さとの比率を１：１．４５であると算出する。推定部１３３は、算出した比率が１：１．４５であり、一般道路における白線領域の長さと白線同士の間隔の長さとの比率（１：１）よりも、高速道路における白線領域の長さと白線同士の間隔の長さとの比率（１：１．５）に近いので、画像Ｇ６２に撮像された道路が高速道路であると推定する。

【0042】

続いて、推定部１３３は、推定された道路の種類に応じて、速度情報を推定する。例えば、推定部１３３は、推定された道路の種類が一般道路である場合には、２つの基準線の間の実距離を１０ｍと特定する。また、推定部１３３は、推定された道路の種類が高速道路である場合には、２つの基準線の間の実距離を２０ｍと特定する。また、推定部１３３は、動画像から、２つの基準線の間を車両が走行するのに要した時間を特定する。推定部１３３は、特定された２つの基準線の間の実距離を、２つの基準線の間を車両が走行するのに要した時間で除することにより、２つの基準線の間を走行した車両の走行速度を算出する。

【0043】

図６は、実施形態に係る機械学習モデルを用いた画像中の車両の検出処理の一例を示す図である。推定部１３３は、車両が撮像された画像等を学習データとして学習した学習済の機械学習モデルＭ１を用いて、画像中の車両を検出する。具体的には、推定部１３３は、車両が撮像された画像と、画像に撮像された車両の位置およびクラス（車両）を示す情報との組合せを含む学習データに基づいて、学習された機械学習モデルＭ１を取得する。より具体的には、推定部１３３は、車両が撮像された画像を入力情報として機械学習モデルに入力した場合に、画像に撮像された車両の位置およびクラス（車両）を示す情報が付加された画像を出力情報として出力するよう学習された機械学習モデルＭ１を取得する。例えば、推定部１３３は、記憶部１２０を参照して、記憶部１２０に記憶された学習済みの機械学習モデルＭ１を取得する。続いて、推定部１３３は、学習済みの機械学習モデルＭ１を取得すると、取得部１３１が取得した画像を学習済みの機械学習モデルに入力し、学習済みの機械学習モデルＭ１から出力された車両の位置およびクラス（車両）を示す情報が付加された画像を推定結果として取得する。図６では、推定部１３３は、検出された各車両の位置情報として、各車両に外接する矩形の座標情報が付加された画像を推定結果として取得する。例えば、推定部１３３は、検出された各車両の位置情報として、車両に外接する矩形の中心点の位置を示す座標情報が付加された画像を推定結果として取得してよい。

【0044】

なお、推定部１３３が取得する学習済みの機械学習モデルＭ１は、例えば、畳み込みニューラルネットワークまたは回帰型ニューラルネットワークなどのニューラルネットワークによる機械学習によって生成されるが、かかる例に限定されない。例えば、推定部１３３が取得する学習済みの機械学習モデルＭ１は、ニューラルネットワークに代えて、線形回帰またはロジスティック回帰といった学習アルゴリズムによる機械学習を用いて生成されてもよい。

【0045】

図７は、実施形態に係る車両の移動距離の測定処理の一例を示す図である。図７では、推定部１３３は、画像に撮像された道路が高速道路であると推定する。続いて、推定部１３３は、道路の種類が高速道路であると推定したので、画像中の基準線１および基準線２の間の実距離を２０ｍと特定する。続いて、推定部１３３は、画像中の基準線１および基準線２の間の実距離を２０ｍと特定したので、画像中の基準線１および基準線２の間を通過する車両を検出した場合、検出された車両の移動距離を２０ｍと特定する。

【0046】

図８は、実施形態に係る車両の基準線通過の判定処理の一例を示す図である。推定部１３３は、取得部１３１が取得した各フレーム画像に、各フレーム画像中の車両の代表点の位置を示す座標情報（以下、位置情報ともいう）を記録する。例えば、推定部１３３は、各フレーム画像中の各車両を検出し、検出された各車両に外接する矩形の中心点の位置座標を代表点の位置座標として各フレーム画像と対応付けて記録してよい。また、推定部１３３は、現在のフレーム画像を取得し、取得された現在のフレーム画像中の所定の車両の代表点と、現在のフレーム画像と時間的に隣り合う次のフレーム画像中の所定の車両の代表点とを連結した線分が基準線と交差するか否かを判定する。推定部１３３は、現在のフレーム画像中の所定の車両の代表点と、次のフレーム画像中の所定の車両の代表点とを連結した線分が基準線と交差すると判定した場合、所定の車両が基準線を通過したと判定する。一方、推定部１３３は、現在のフレーム画像中の所定の車両の代表点と、次のフレーム画像中の所定の車両の代表点とを連結した線分が基準線と交差しないと判定した場合、所定の車両が基準線を通過していないと判定する。

【0047】

図９は、実施形態に係る車両の移動時間の測定処理の一例を示す図である。推定部１３３は、撮像装置１０によって撮像された動画像のフレームレート（frame rate）に基づいて、画像中の車両の移動時間を推定する。図９では、動画像のフレームレートが３０（fps）である場合について説明する。推定部１３３は、車両が道路上の一つ目の基準線１を通過した瞬間のフレーム（以下、第１フレームともいう）に対応する時刻を記録する。例えば、推定部１３３は、車両が基準線１を通過した瞬間のフレームに対応する時刻として、３０枚中、５枚目のフレームに対応する時刻を記録する。続いて、推定部１３３は、車両が道路上の二つ目の基準線２を通過した瞬間のフレーム（以下、第２フレームともいう）に対応する時刻を記録する。例えば、推定部１３３は、車両が基準線２を通過した瞬間のフレームに対応する時刻として、３０枚中、１７枚目のフレームに対応する時刻を記録する。続いて、推定部１３３は、車両が基準線２を通過した瞬間の第２フレームに対応する時刻と、車両が基準線１を通過した瞬間の第１フレームに対応する時刻との時間差を算出し、算出した時間差に対応する時間を、車両が基準線１と基準線２の間を通過するのに要した移動時間であると推定する。例えば、推定部１３３は、動画像のフレームレートが３０（fps）である場合、１７枚目のフレームに対応する時刻と、５枚目のフレームに対応する時刻との時間差を「（１７－５）／３０＝０．４秒」と算出する。続いて、推定部１３３は、算出した時間差である「０．４秒」を車両が基準線１と基準線２の間を通過するのに要した移動時間であると推定する。このように、推定部１３３は、隣り合う２つの基準線のうち一方の基準線を通過した車両が撮像された第１フレームに対応する時刻と、２つの基準線のうち他方の基準線を通過した車両が撮像された第２フレームに対応する時刻との時間差に相当する時間を、車両が２つの基準線の間を通過するのに要した移動時間であると推定する。

【0048】

なお、図９では、推定部１３３が、動画像のフレームレートに基づいて、画像中の車両の移動時間を推定する場合について説明したが、推定部１３３は、画像中の車両の移動時間を推定する方法はこれに限られない。例えば、推定部１３３は、車両が基準線１および基準線２を通過したそれぞれの時刻を取得し、取得したそれぞれの時刻の差分を車両が基準線１と基準線２の間を通過するのに要した移動時間であると推定してもよい。

【0049】

続いて、推定部１３３は、推定された速度情報に基づいて、道路の交通情報を推定する。例えば、推定部１３３は、推定された速度情報に基づいて、交通情報として、全国の各道路における渋滞情報、各道路における通行止めまたは事故の発生状況等の情報を推定する。

【0050】

（提供部１３４）
提供部１３４は、推定部１３３によって推定された道路の交通情報を提供する。具体的には、提供部１３４は、推定部１３３によって推定された道路の交通情報を利用者の端末装置に送信する。

【0051】

〔２．情報処理手順〕
図１０は、実施形態に係る検出手順を示すフローチャートである。図１０に示すように、情報処理装置１００の取得部１３１は、道路の画像を撮像する撮像装置１０から画像を取得する（ステップＳ１０１）。また、情報処理装置１００の検出部１３２は、取得部１３１が取得した画像から車両や人物といった移動物体を削除する（ステップＳ１０２）。続いて、検出部１３２は、移動物体を削除した画像のうち、道路上に固定された固定物が撮像された領域である固定物領域を検出する（ステップＳ１０３）。

【0052】

図１１は、実施形態に係る推定手順を示すフローチャートである。図１１に示すように、情報処理装置１００の取得部１３１は、道路の画像を撮像する撮像装置１０から画像を取得する（ステップＳ２０１）。また、情報処理装置１００の推定部１３３は、車両の軌跡に基づいて、道路領域を推定する（ステップＳ２０２）。続いて、推定部１３３は、道路領域の外接矩形を生成する（ステップＳ２０３）。続いて、推定部１３３は、画像上で外接矩形の長辺方向に外接矩形の短辺を移動させることにより、固定物領域の端を検出する（ステップＳ２０４）。続いて、推定部１３３は、固定物領域の端を２以上検出したか否かを判定する（ステップＳ２０５）。推定部１３３は、固定物領域の端を２以上検出したと判定した場合（ステップＳ２０５；Ｙｅｓ）、検出された２つの固定物領域の端それぞれの位置に基づく２本の基準線を用いて、道路上を走行する車両の走行速度に関する速度情報を推定する（ステップＳ２０６）。一方、推定部１３３は、固定物領域の端を２以上検出していないと判定した場合（ステップＳ２０５；Ｎｏ）、ステップＳ２０４の処理を繰り返す。

【0053】

〔３．変形例〕
上述した実施形態に係る情報処理装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、情報処理装置１００の他の実施形態について説明する。なお、実施形態と同一部分には、同一符号を付して説明を省略する。

【0054】

〔３－１．第１の変形例〕
図１２は、第１の変形例に係る情報処理の概要について説明するための図である。上述した実施形態では、情報処理装置１００が、１つの道路Ｒ１上に固定された白線領域の位置に基づく２つの基準線Ｌ１およびＬ２を用いて速度情報を推定する場合について説明した。図１２では、情報処理装置１００が、隣り合う２つの道路Ｒ２およびＲ３上にそれぞれ固定された白線領域の位置に基づく２本の基準線を用いて速度情報を推定する場合について説明する。

【0055】

図１２は、動画像に写っていた車両を削除した後の合成画像Ｇ７を示す。図１２では、車両が削除された後の隣り合う２つの道路Ｒ２およびＲ３が合成画像Ｇ７に写っている。また、合成画像Ｇ７には、左側の道路Ｒ２上の２つの車線を区分する白線が撮像された白線領域Ｏ１１およびＯ１２が道路Ｒ３上に写っている。また、合成画像Ｇ７には、右側の道路Ｒ３上の２つの車線を区分する白線が撮像された白線領域Ｏ２１およびＯ２２が道路Ｒ３上に写っている。

【0056】

具体的には、検出部１３２は、合成画像Ｇ７に対してハフ変換等の画像処理を行うことで、左側の道路Ｒ２上の白線領域Ｏ１１およびＯ１２、ならびに、右側の道路Ｒ３上の白線領域Ｏ２１およびＯ２２を検出する。なお、図１２では、白線領域Ｏ１１およびＯ１２の各形状は、道路Ｒ２の進行方向と平行な方向に長い線状とみなせる。また、白線領域Ｏ２１およびＯ２２の各形状は、道路Ｒ３の進行方向と平行な方向に長い線状とみなせる。

【0057】

また、図示は省略するが、推定部１３３は、取得した動画像に撮像された各車両をトラッキングすることにより各車両の軌跡を推定し、推定した各車両の軌跡に基づいて、各道路の道路領域をそれぞれ推定する。続いて、推定部１３３は、各道路領域を囲む外接矩形をそれぞれ生成する。続いて、推定部１３３は、各道路上で各外接矩形を各外接矩形の長辺方向に移動させることにより、道路Ｒ２上で隣り合う２つの白線領域Ｏ１１およびＯ１２の端、ならびに、道路Ｒ３上で隣り合う２つの白線領域Ｏ２１およびＯ２２の端をそれぞれ特定する。続いて、推定部１３３は、道路Ｒ２上の白線領域Ｏ１１の端と道路Ｒ３上の白線領域Ｏ２１の端を繋ぐ基準線Ｌ３、および、道路Ｒ２上の白線領域Ｏ１２の端と道路Ｒ３上の白線領域Ｏ２２の端を繋ぐ基準線Ｌ４を用いて、速度情報を推定する。

【0058】

これにより、情報処理装置１００は、１つの道路上の白線領域に基づく複数の基準線を用いた場合と比べて、遠近法の影響で生じる画像中の距離の誤差を小さくすることができるため、速度情報をより精度よく推定することができる。

【0059】

〔３－２．第２の変形例〕
図１３は、第２の変形例に係る情報処理の概要について説明するための図である。上述した実施形態では、情報処理装置１００が、道路上に固定された白線が撮像された白線領域を検出し、検出された白線領域の位置に基づく画像上の複数の基準線を用いて速度情報を推定する場合について説明したが、これに限られない。具体的には、情報処理装置１００は、白線以外にも、画像中の道路の進行方向の距離の基準となる基準点を含む固定物が撮像された固定物領域であれば、どのような固定物領域の位置に基づく画像上の複数の基準線を用いて速度情報を推定してもよい。例えば、固定物は、車線を区分する白線の他に、横断歩道の白線または停止線の白線であってよい。

【0060】

図１３では、情報処理装置１００が、白線領域の代わりに、横断歩道が撮像された歩道領域の位置に基づく画像上の複数の基準線を用いて速度情報を推定する点が上述した実施形態と異なる。図１３は、動画像に写っていた車両を削除した後の合成画像Ｇ８１を示す。図１３では、車両が削除された後の道路上に固定された横断歩道が合成画像Ｇ８１に写っている。なお、図１３では、情報処理装置１００が、直線状の道路上に固定された横断歩道の幅（つまり、車両の進行方向の長さ）を示すデータを外部のデータベース等から取得できた場合に、以下の処理を行う。

【0061】

具体的には、検出部１３２は、合成画像Ｇ８１に対してハフ変換等の画像処理を行うことで、道路上に固定された横断歩道の７つの白線それぞれが撮像された７つの白線領域Ｏ３１～Ｏ３７を検出する。なお、図１３では、白線領域Ｏ３１～Ｏ３７の各形状は、道路の進行方向と平行な方向に長い線状とみなせる。

【0062】

また、図示は省略するが、推定部１３３は、取得した動画像に撮像された各車両をトラッキングすることにより各車両の軌跡を推定し、推定した各車両の軌跡に基づいて、道路の道路領域を推定する。続いて、推定部１３３は、道路領域を囲む外接矩形を生成する。続いて、推定部１３３は、道路上で外接矩形を外接矩形の長辺方向に移動させることにより、各白線領域Ｏ３１～Ｏ３７の一方の端、および、各白線領域Ｏ３１～Ｏ３７の他方の端をそれぞれ特定する。続いて、推定部１３３は、各白線領域Ｏ３１～Ｏ３７の一方の端を繋ぐ基準線Ｌ６、および、各白線領域Ｏ３１～Ｏ３７の他方の端を繋ぐ基準線Ｌ７を用いて、速度情報を推定する。

【0063】

〔３－３．第３の変形例〕
図１４は、第３の変形例に係る情報処理の概要について説明するための図である。図１４では、情報処理装置１００が、歩道領域の両端の位置に基づく画像上の複数の基準線を用いて速度情報を推定する代わりに、横断歩道から所定の範囲内に位置する停止線の一端および歩道領域の一端の位置に基づく画像上の複数の基準線を用いて速度情報を推定する点が図１３と異なる。図１４は、動画像に写っていた車両を削除した後の合成画像Ｇ８２を示す。図１４では、図１３と同様に、車両が削除された後の道路上に固定された横断歩道および横断歩道から所定の範囲内に位置する停止線（図１３参照）が合成画像Ｇ８２に写っている。なお、図１４では、情報処理装置１００が、直線状の道路上に固定された横断歩道の端を結ぶ線と停止線との距離を示すデータを外部のデータベース等から取得できた場合に、以下の処理を行う。

【0064】

具体的には、検出部１３２は、合成画像Ｇ８２に対してハフ変換等の画像処理を行うことで、道路上に固定された横断歩道の７つの白線それぞれが撮像された７つの白線領域Ｏ３１～Ｏ３７、および、横断歩道から所定の範囲内に位置する停止線が撮像された白線領域Ｏ４（図１３参照）を検出する。なお、図１４では、白線領域Ｏ３１～Ｏ３７の各形状は、道路の進行方向と平行な方向に長い線状とみなせる。また、白線領域Ｏ４の形状は、道路の進行方向と垂直な方向に長い線状とみなせる。

【0065】

また、図示は省略するが、推定部１３３は、取得した動画像に撮像された各車両をトラッキングすることにより各車両の軌跡を推定し、推定した各車両の軌跡に基づいて、道路の道路領域を推定する。続いて、推定部１３３は、道路領域を囲む外接矩形を生成する。続いて、推定部１３３は、道路上で外接矩形を外接矩形の長辺方向に移動させることにより、各白線領域Ｏ３１～Ｏ３７の両端のうち停止線に近い方の端、および、白線領域Ｏ４の端をそれぞれ特定する。続いて、推定部１３３は、各白線領域Ｏ３１～Ｏ３７の停止線に近い方の端を繋ぐ基準線Ｌ７、および、白線領域Ｏ４の端と平行な基準線Ｌ８を用いて、速度情報を推定する。

【0066】

〔４．効果〕
上述したように、実施形態に係る情報処理装置１００は、検出部１３２と推定部１３３を備える。検出部１３２は、道路の画像を撮像する撮像装置１０から取得した画像のうち、道路上に固定された固定物が撮像された領域である固定物領域を検出する。推定部１３３は、検出部１３２によって検出された固定物領域の位置に基づく画像上の複数の基準線を用いて、道路上を走行する車両の走行速度に関する速度情報を推定する。

【0067】

これにより、情報処理装置１００は、撮像装置が一台であっても、道路上を走行する車両の走行速度に関する速度情報を精度よく推定することができる。

【0068】

また、推定部１３３は、画像のうち、車両の走行頻度が所定の閾値を超える領域を含む道路領域を囲む外接矩形と、固定物領域とに基づいて、固定物領域の端を検出し、検出された固定物領域の端の位置に基づく複数の基準線を用いて、速度情報を推定する。

【0069】

これにより、情報処理装置１００は、例えば、道路の両端等の直線を含むことなく、道路の中央付近に固定された白線に基づいて、速度情報を精度よく推定することができる。

【0070】

また、推定部１３３は、画像上で外接矩形を外接矩形の長辺方向に移動させることにより、外接矩形の短辺と固定物領域とが交差する交差状態から外接矩形の短辺と固定物領域とが交差しない非交差状態へと変化する固定物領域の端、または、非交差状態から交差状態へと変化する固定物領域の端を検出する。

【0071】

これにより、情報処理装置１００は、道路の進行方向に沿って、固定物領域の端を適切に検出することができる。

【0072】

また、推定部１３３は、画像上で外接矩形を外接矩形の長辺方向に移動させることにより、複数の固定物領域の端を検出した場合に、検出された複数の固定物領域の端それぞれの位置に基づく複数の基準線を用いて、速度情報を推定する。

【0073】

これにより、情報処理装置１００は、複数の基準線を用いて、速度情報を精度よく推定することができる。

【0074】

また、推定部１３３は、外接矩形の短辺と平行な複数の基準線を用いて、速度情報を推定する。

【0075】

これにより、情報処理装置１００は、速度情報をより精度よく推定することができる。

【0076】

また、推定部１３３は、動画像である画像に撮像された車両をトラッキングすることにより推定された車両の軌跡に基づいて、道路領域を推定する。

【0077】

これにより、情報処理装置１００は、道路のうち、車両の走行頻度が所定の閾値を超える領域を適切に推定することができる。

【0078】

また、推定部１３３は、車両の軌跡を含む凸包を道路領域として推定する。

【0079】

これにより、情報処理装置１００は、道路のうち、車両の走行頻度が所定の閾値を超える領域を適切に推定することができる。

【0080】

また、推定部１３３は、外接矩形の面積が最小となる最小外接矩形と、固定物領域とに基づいて、固定物領域の端を検出する。

【0081】

これにより、情報処理装置１００は、固定物領域の端を精度よく推定することができる。

【0082】

また、固定物は、道路上に固定された白線である。検出部１３２は、固定物領域として、白線が撮像された領域である白線領域を検出する。推定部１３３は、白線領域の長さと白線同士の間隔の長さとの比率に基づいて、道路の種類を推定し、推定された道路の種類に応じて、複数の基準線の間の実距離を推定する。

【0083】

これにより、情報処理装置１００は、道路の種類に応じて、画像中の複数の基準線の間の実距離を精度よく推定することができるので、速度情報をより精度よく推定することができる。

【0084】

また、推定部１３３は、所定の車両が撮像された車両画像と、車両画像に撮像された所定の車両の位置およびクラスを示す情報との組合せを含む学習データに基づいて、学習された学習済みの機械学習モデルを用いて、画像中の車両を検出する。

【0085】

これにより、情報処理装置１００は、画像中の車両を精度よく検出することができるため、速度情報をより精度よく推定することができる。

【0086】

また、推定部１３３は、一のフレーム画像中の車両の位置を示す第１代表点と、一のフレーム画像と時間的に隣り合う次のフレーム画像中の車両の位置を示す第２代表点とを連結した線分と、基準線とが交差するか否かを判定し、線分と基準線とが交差すると判定した場合、車両が基準線を通過したと判定し、線分と基準線とが交差しないと判定した場合、車両が基準線を通過していないと判定する。

【0087】

これにより、情報処理装置１００は、車両が基準線を通過したか否かを精度よく判定することができるため、速度情報をより精度よく推定することができる。

【0088】

また、推定部１３３は、隣り合う２つの基準線のうち一方の基準線を通過した車両が撮像された第１フレームに対応する時刻と、２つの基準線のうち他方の基準線を通過した車両が撮像された第２フレームに対応する時刻との時間差に相当する時間を、車両が２つの基準線の間を通過するのに要した移動時間であると推定する。

【0089】

これにより、情報処理装置１００は、車両が複数の基準線の間を通過するのに要した移動時間を精度よく判定することができるため、速度情報をより精度よく推定することができる。

【0090】

また、推定部１３３は、推定された速度情報に基づいて、道路の交通情報を推定する。

【0091】

これにより、情報処理装置１００は、精度の良い速度情報に基づくため、道路の交通情報を精度よく推定することができる。

【0092】

〔５．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００は、例えば図１５に示すような構成のコンピュータ１０００によって実現される。図１５は、情報処理装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。

【0093】

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

【0094】

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。

【0095】

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

【0096】

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

【0097】

例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

【0098】

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

【0099】

〔６．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

【0100】

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

【0101】

また、上述した情報処理装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットホーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等で呼び出して実現するなど、構成は柔軟に変更できる。

【0102】

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

【0103】

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、推定部は、推定手段や推定回路に読み替えることができる。

【符号の説明】

【0104】

１ 情報処理システム
１０ 撮像装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１３０ 制御部
１３１ 取得部
１３２ 検出部
１３３ 推定部
１３４ 提供部

【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】

【図15】