[发明专利]异常检测装置以及异常检测程序

说明书

技术领域

本发明涉及一种使用由摄像装置拍摄的摄像数据对监视对象的异常进行检测的异常检测装置及异常检测程序。

背景技术

为了应付犯罪发生率增加等的社会不稳定现象，以监视可疑人员和可疑车辆等为目的的摄像机的设置台数正在增加。在使用众多的摄像机进行监视时，需要用于由较少的监视人员有效地对监视区域进行监视的监视支援技术。

作为上述监视支援技术，例如在专利文献1(特开2006-79272号公报)中公开了一种检测技术，其提取被称为立体高次局部自相关特征的图像特征量，使用该特征量对图像中的人的正常活动进行学习，并将从学习到的正常行动中偏离的行动检测为异常行动。

此外，在专利文献2(特开平7-78239号公报)中公开了一种检测技术，其将工厂设备正常运转时的图像作为正常状态进行学习，并将从学习到的正常状态中偏离的状态检测为异常状态。在该检测技术中，在检测到异常状态时，通过与事先学习到的多种异常状态的模式进行对照，对异常状态的种类进行识别。

专利文献1特开2006-79272号公开

专利文献2特开平7-78239号公开

在专利文献1所公开的检测技术中，对于将正常行动误检测为异常行动的误报，通过将该图像进行追加学习并对正常行动的范围进行更新就能够进行应对。但是，在专利文献1所公开的检测技术中存在以下问题，即，对于不能检测异常行动从而将异常行动误检测为正常行动的漏报，即使对正常行动的图像进行追加学习，也无法使漏报减少。

此外，在专利文献2所公开的检测技术中，除了能够采用与专利文献1所公开的检测技术相同的方法进行异常状态的检测以外，还能够在检测到异常状态时对异常状态的种类进行识别。但是，专利文献2所公开的检测技术与专利文献1所公开的检测技术一样，是将从事先学习到的正常状态偏离的状态作为异常状态进行检测的技术，所以存在即使对正常状态的图像进行追加学习，也无法使漏报减少的问题。

发明内容

本发明是为了解决上述问题而作出的，本发明的目的在于提供一种异常检测装置和异常检测程序，其能够通过学习来减少将异常的监视对象误检测为正常的监视对象的漏报。

为了实现上述目的，本发明的异常检测装置的特征在于，即，该异常检测装置具有：获取监视对象的摄像数据的摄像数据获取部；正常学习数据存储部，其存储对正常的所述监视对象事先进行学习而获得的正常学习数据；正常判断部，其根据所述摄像数据以及所述正常学习数据，判断所述摄像数据中所包含的监视对象是否正常；异常学习数据存储部，其存储对异常的所述监视对象事先进行学习而获得的异常学习数据；异常判断部，其根据所述摄像数据以及所述异常学习数据，判断所述摄像数据中所包含的监视对象是否异常；和综合判断部，其根据所述正常判断部的判断结果以及所述异常判断部的判断结果，判断所述摄像数据中所包含的监视对象是正常还是异常。

此外，为了实现上述目的，本发明的异常检测程序的特征在于，即，使电子计算机作为如下各部发挥功能：获取监视对象的摄像数据的摄像数据获取部；正常判断部，其根据事先存储的对正常的所述监视对象事先进行学习而获得的正常学习数据以及所述摄像数据，来判断所述摄像数据中所包含的监视对象是否正常；异常判断部，其根据事先存储的对异常的所述监视对象事先进行学习而获得的异常学习数据以及所述摄像数据，来判断所述摄像数据中所包含的监视对象是否异常；以及综合判断部，其根据所述正常判断部的判断结果以及所述异常判断部的判断结果，来判断所述摄像数据中所包含的监视对象是正常还是异常。

因而，根据本发明，能够通过学习，减少将异常的监视对象误检测为正常的监视对象的漏报。

附图说明

图1是表示具有本发明的第1实施方式所涉及的异常检测装置的异常检测系统的框图。

图2是表示图1的正常判断部的详细框图。

图3是表示图1的异常判断部的详细框图。

图4(a)是摄像数据的说明图。

图4(b)特征量的计算对象的说明图。

图5是表示计算立体高次局部自相关特征时使用的掩模图案的例示图。

图6是表示用于生成正常学习数据的正常学习数据生成装置的框图。

图7是在主分量分析中得到的各个主分量的累积贡献率的说明图。

图8是由正常度计算部所进行的正常度的计算处理的说明图。

图9是表示用于生成异常学习数据的异常学习数据生成装置的框图。

图10是由异常度计算部所进行的异常度的计算处理的说明图。