物体位置推定系统、物体位置推定装置、物体位置推定方法及物体位置推定程序

具体实施方式

以下，根据附图对本发明所涉及的实施方式进行详细说明。

以下，在参照附图详细说明本发明的实施方式前，对本发明的各种形式进行说明。

根据本发明的第一方案，提供一种推定物体的位置的物体位置推定系统，其特征在于，具备：

第一观测部，其在不同的时刻分别观测所述物体而分别取得包含所述物体的位置和ID的第一观测信息；

第一物体位置似然度决定单元，其根据由所述第一观测部分别观测到的所述第一观测信息，决定在所述各个时刻的作为所述物体的推定位置的第一物体位置似然度；

第一物体ID似然度决定单元，其根据由所述第一物体位置似然度决定单元决定的所述第一物体位置似然度，在各个时刻决定所述物体的第一物体ID似然度；

第二观测部，其在不同的时刻分别观测所述物体而分别取得包含所述物体的位置和特征量的第二观测信息，对每个第二观测信息附加第二观测ID；

第二物体位置似然度决定单元，其根据由所述第二观测部分别观测到的所述第二观测信息，决定在所述各个时刻的作为所述物体的推定位置的第二物体位置似然度；

物体追踪状况决定单元，其检测两个时刻不同但所述物体的特征量相同的所述第二观测信息，将检测到的所述两个第二观测信息的第二观测ID彼此关联而决定所述物体的追踪状况信息；

第二物体ID似然度决定单元，其根据所述物体的所述追踪状况信息和所述物体的推定位置决定所述第二观测信息的第二物体ID似然度；

关联单元，其根据所述物体的所述第一物体ID似然度和所述第一物体位置似然度算出第一物体关联值，根据所述第二物体ID似然度和所述第二物体位置似然度算出第二物体关联值；

物体位置推定单元，其根据所述物体的所述第一物体ID似然度、所述第一物体位置似然度和所述第一物体关联值，或者/并且根据所述第二物体ID似然度、所述第二物体位置似然度和所述第二物体关联值而推定所述物体的位置。

根据本发明的第二方案，提供一种以第一方案为基础的物体位置推定系统，其特征在于，

所述物体追踪状况决定单元还输出表示物体的追踪成功的概率的追踪成功似然度和表示物体的追踪失败的概率的追踪失败似然度，

所述第二物体ID似然度决定单元将下述两值的和作为所述物体的第二ID似然度，所述两值为：在所述物体的上一次检测时算出的关联值与所述追踪成功似然度相乘的值；追踪失败似然度除以作为检测对象的全部物体的数量的值。

根据本发明的第三方案，提供一种以第一方案或第二方案为基础的物体位置推定系统，其特征在于，

在所述物体追踪状况决定单元通过检测时刻不同但所述物体的特征量相同的两个所述第二观测信息，从而决定所述第二观测装置检测到的所述物体的追踪状况为追踪过程中的情况下，所述关联单元根据所述物体位置推定单元推定出的所述物体的ID和所述物体的位置而求出所述第二观测装置检测到的所述物体的ID。

根据本发明的第四方案，提供一种以第一方案～第三方案中任一方案为基础的物体位置推定系统，其特征在于，

还具备环境图(环境图信息)，该环境图中记录有包含供存在于所述环境内的所述人出入的出入口的位置的出入口信息、或所述第一观测装置的死角信息和/或所述第二观测装置的死角信息。

根据本发明的第五方案，提供一种以第一方案～第四方案中任一方案为基础的物体位置推定系统，其特征在于，

所述物体追踪状况决定单元还决定将重合的多个物体检测作为一个物体的概率。

根据本发明的第六方案，提供一种推定物体的位置的物体位置推定方法，其特征在于，

由第一观测部在不同的时刻分别观测所述物体而分别取得包含所述物体的位置和ID的第一观测信息；

由第一物体位置似然度决定单元根据由所述第一观测部分别观测到的所述第一观测信息，决定在所述各个时刻的作为所述物体的推定位置的第一物体位置似然度；

由第一物体ID似然度决定单元根据由所述第一物体位置似然度决定单元决定的所述第一物体位置似然度，在各个时刻决定所述物体的第一物体ID似然度；

由第二观测部在不同的时刻分别观测所述物体而分别取得包含所述物体的位置和特征量的第二观测信息，由所述第二观测部对每个第二观测信息附加第二观测ID；

由第二物体位置似然度决定单元根据由所述第二观测部分别观测到的所述第二观测信息，决定在所述各个时刻的作为所述物体的推定位置的第二物体位置似然度；

由物体追踪状况决定单元检测时刻不同但所述物体的特征量相同的两个所述第二观测信息，并将检测到的所述两个第二观测信息的第二观测ID彼此关联而决定所述物体的追踪状况信息；

由第二物体ID似然度决定单元根据所述物体的所述追踪状况信息和所述物体的推定位置决定所述第二观测信息的第二物体ID似然度；

由关联单元根据所述物体的所述第一物体ID似然度和所述第一物体位置似然度算出第一物体关联值；

由关联单元根据所述物体的所述第二物体ID似然度和所述第二物体位置似然度算出第二物体关联值；

由物体位置推定单元根据所述物体的所述第一物体ID似然度、所述第一物体位置似然度和所述第一物体关联值，或者/并且根据所述第二物体ID似然度、所述第二物体位置似然度和所述第二物体关联值而推定所述物体的位置。

根据本发明的第七方案，提供一种物体位置推定程序，其使计算机实现：

由第一观测部在不同的时刻分别观测物体而分别取得包含所述物体的位置和ID的第一观测信息的功能；

由第一物体位置似然度决定单元根据由所述第一观测部分别观测到的所述第一观测信息，决定在所述各个时刻的作为所述物体的推定位置的第一物体位置似然度的功能；

由第一物体ID似然度决定单元根据由所述第一物体位置似然度决定单元决定的所述第一物体位置似然度，在各个时刻决定所述物体的第一物体ID似然度的功能；

由第二观测部在不同的时刻分别观测所述物体而分别取得包含所述物体的位置和特征量的第二观测信息，由所述第二观测部对每个第二观测信息附加第二观测ID的功能；

由第二物体位置似然度决定单元根据由所述第二观测部分别观测到的所述第二观测信息，决定在所述各个时刻的作为所述物体的推定位置的第二物体位置似然度的功能；

由物体追踪状况决定单元检测时刻不同但所述物体的特征量相同的两个所述第二观测信息，并将检测到的所述两个第二观测信息的第二观测ID彼此关联而决定所述物体的追踪状况信息的功能；

由第二物体ID似然度决定单元根据所述物体的所述追踪状况信息和所述物体的推定位置决定所述第二观测信息的第二物体ID似然度的功能；

由关联单元根据所述物体的所述第一物体ID似然度和所述第一物体位置似然度算出第一物体关联值的功能；

由关联单元根据所述物体的所述第二物体ID似然度和所述第二物体位置似然度算出第二物体关联值的功能；

由物体位置推定单元根据所述物体的所述第一物体ID似然度、所述第一物体位置似然度和所述第一物体关联值，或者/并且根据所述第二物体ID似然度、所述第二物体位置似然度和所述第二物体关联值而推定所述物体的位置的功能。

根据本发明的第八方案，提供一种物体位置推定装置，其具备：

第一物体位置似然度决定单元，其根据来自第一观测部的第一观测信息决定在不同的时刻的作为所述物体的推定位置的第一物体位置似然度，其中，所述第一观测部在所述各个时刻分别观测物体而分别取得包含所述物体的位置和ID的所述第一观测信息；

第一物体ID似然度决定单元，其根据由所述第一物体位置似然度决定单元决定的所述第一物体位置似然度，在各个时刻决定所述物体的第一物体ID似然度；

第二物体位置似然度决定单元，其根据来自第二观测部的第二观测信息决定在不同的时刻的作为所述物体的推定位置的第二物体位置似然度，其中，所述第二观测部对每个在所述各个时刻分别观测所述物体而取得的包含所述物体的位置和特征量的所述第二观测信息附加第二观测ID；

物体追踪状况决定单元，其将在互不相同的时刻观测到相同特征量的两个所述第二观测信息的第二观测ID彼此关联而决定所述物体的追踪状况信息；

第二物体ID似然度决定单元，其根据所述物体的所述追踪状况信息和所述物体的推定位置决定所述第二观测信息的第二物体ID似然度；

关联单元，其根据所述物体的所述第一物体ID似然度和所述第一物体位置似然度算出第一物体关联值，根据所述第二物体ID似然度和所述第二物体位置似然度算出第二物体关联值；

物体位置推定单元，其根据(1)、(2)中的至少任一方推定所述物体的位置，所述(1)为所述物体的所述第一物体ID似然度、所述第一物体位置似然度和所述第一物体关联值，所述(2)为所述第二物体ID似然度、所述第二物体位置似然度和所述第二物体关联值。

以下，参照附图对本发明的实施方式所涉及的物体位置推定系统、物体位置推定装置、通过物体位置推定装置或物体位置推定系统能够实施的物体位置推定方法及物体位置推定程序进行说明。

(第一实施方式)

<系统构成>

图1A是表示本发明的第一实施方式所涉及的物体位置推定系统的结构的图。

本发明的第一实施方式所涉及的物体位置推定系统构成为具备：第一观测装置101、第二观测装置102、第二物体ID似然度决定单元(第二物体ID似然度决定部)107、物体位置推定单元(物体位置推定部)108、关联单元(关联部)109。

第一观测装置101具备第一物体位置似然度决定单元(第一物体位置似然度决定部)103、作为第一观测部发挥功能的第一检测部101a、第一物体ID似然度决定单元(第一物体ID似然度决定部)104、第一内部存储部110。第二观测装置102具备作为第二观测部发挥功能的第二检测部102a、图像处理部102b、第二物体位置似然度决定单元(第二物体位置似然度决定部)105、物体追踪状况决定单元(物体追踪状况决定部)106、第二内部存储部111。

另外，作为一个变形例，本发明的第一实施方式所涉及的物体位置推定系统还可以形成为，如图1B所示，代替由多个构成要件分别构成第一观测装置101及第二观测装置102，而独立具备上述的构成要件，并且将除了作为第一观测部发挥功能的第一检测部101a、第一计时器101t、作为第二观测部发挥功能的第二检测部102a、第二计时器102t以外的构成要件构成为物体位置推定装置99。反过来说，若在图1B的物体位置推定装置99中，与图1A的第一实施方式所涉及的物体位置推定系统同样地构成第一观测装置101，并加上图像处理部102b而构成第二观测装置102，则能够形成图1A的第一实施方式所涉及的物体位置推定系统的结构。

在此，所述物体位置推定装置99作为主要的构成要件具备：第一物体位置似然度决定单元(第一物体位置似然度决定部)103、第一物体ID似然度决定单元(第一物体ID似然度决定部)104、第二物体位置似然度决定单元(第二物体位置似然度决定部)105、物体追踪状况决定单元(物体追踪状况决定部)106、第二物体ID似然度决定单元(第二物体ID似然度决定部)107、关联单元(关联部)109、物体位置推定单元(物体位置推定部)108。作为附加的构成要件，也可以在所述物体位置推定装置99上具备第一存储部110m和第二存储部111m。在这样的结构的情况下，来自作为第一观测部发挥功能的第一检测部101a和第一计时器101t的信息也可以向第一物体位置似然度决定单元(第一物体位置似然度决定部)103输入的同时，也存储到第一存储部110m。此外，来自第一物体位置似然度决定单元(第一物体位置似然度决定部)103的信息向第一物体ID似然度决定单元(第一物体ID似然度决定部)104输入。进而，也可以构成为来自第一物体位置似然度决定单元(第一物体位置似然度决定部)103的信息及来自第一物体ID似然度决定单元(第一物体ID似然度决定部)104的信息也存储到第一存储部110m。来自第一物体ID似然度决定单元(第一物体ID似然度决定部)104的信息向物体位置推定单元(物体位置推定部)108输入。同样地，来自作为第二观测部发挥功能的第二检测部102a和第二计时器102t的信息也可以向第二物体位置似然度决定单元(第二物体位置似然度决定部)105输入的同时，也存储到第二存储部111m。此外，来自第二物体位置似然度决定单元(第二物体位置似然度决定部)105的信息向物体追踪状况决定单元(物体追踪状况决定部)106输入。另外，也可以构成为来自第二物体位置似然度决定单元(第二物体位置似然度决定部)105的信息及物体追踪状况决定单元(物体追踪状况决定部)106的信息也存储到第二存储部111m。来自物体追踪状况决定单元(物体追踪状况决定部)106的信息向物体位置推定单元(物体位置推定部)108、关联单元(关联部)109、第二物体ID似然度决定单元(第二物体ID似然度决定部)107输入。这样的结构的图1B的物体位置推定装置99也能够与图1A的第一实施方式所涉及的物体位置推定系统的对应的单元(对应的部分)同样地发挥作用效果。

此外，图3中示出作为具备本发明的第一实施方式所涉及的物体位置推定系统的构成要件的第一观测装置101和第二观测装置102的、作为环境的一例的生活环境的具体示例的房间301。在四边形的房间301的顶棚的不同的角落分别设置有UWB(Ultra Wide Band)的标签阅读器304、立体监视器305。标签阅读器304作为第一观测装置101的第一检测部101a的一例发挥功能，立体监视器305作为第二观测装置102的第二检测部102a的一例发挥功能。假定在房间301内存在能够被标签阅读器304分别检测到的具有标签303A的人302A、具有标签303B的人302B、具有标签303C的人302C。然后，以人302为代表来说明存在于房间301内的人302A、人302B和人302C中的任意的人。同样地，以标签303为代表来说明存在于房间301内的标签303A、标签303B和标签303C中的任意的标签。

以下，利用图1A和图3说明各构成要件。

<各观测装置的说明>

第一观测装置101和第二观测装置102都分别检测存在于作为生活环境的具体示例的房间301内的人302。

<第一观测装置的说明>

第一观测装置101具备作为第一观测部发挥功能的第一检测部101a、第一物体位置似然度决定单元103、第一物体ID似然度决定单元104和第一内部存储部110。第一观测装置101决定存在于房间301内的人302的第一ID似然度(第一物体ID似然度)和第一位置似然度(第一物体位置似然度)。可以将决定的人302的第一ID似然度和第一位置似然度的信息从第一观测装置101向物体位置推定单元108输出。

第一ID似然度及后述的第二ID似然度时的ID似然度是以概率的方式表示检测到的物体(例如，在此为人302)像哪个ID的物体(例如，在此为人302)。例如，(由于在利用无线标签阅读器时，如现有技术记载的那样能够可靠地识别ID)在利用无线标签阅读器检测物体A的标签的情况下，对于ID似然度，为物体A的概率是1，为其他的物体的概率是0。另一方面，在利用监视器检测物体A的情况下，无法如上述那样可靠地识别出为特定的物体。例如，在通过监视器识别出物体A的情况下，存在识别出物体A以外的物体(物体B、物体C)的可能性。因此，对于ID似然度，为物体A的概率是0.8，为物体B的概率是0.1，为物体C的概率是0.1，如此，对存在的所有物体进行概率的分配。需要说明的是，这仅为决定ID似然度的一例，本发明不局限于此。在本发明的第一实施方式中，第一观测装置101的第一检测部101a检测到的人302的第一ID似然度由第一物体ID似然度决定单元104决定。与此相对地，作为第二观测装置102的第二检测部102a的一例的监视器305不具有物体的ID识别功能。因此，通过与第二观测装置102不同的第二物体ID似然度决定单元107，来决定作为第二观测装置102的第二检测部102a的一例的监视器305及图像处理部102b检测到的人302的第二ID似然度。

第一位置似然度及后述的第二位置似然度时的位置似然度是指根据某一时间点推定的各物体的位置，对于新观测到的物体的位置以概率的方式表示该物体像是哪个ID的物体。例如，设为推定出在一维坐标上的10的位置上存在物体A，在20的位置上存在物体B，在40的位置上存在物体C。在该状况下，设为在0的位置上检测到物体。此时的位置似然度例如通过取距各物体A、B、C的推定位置的距离的倒数而进行标准化，能够算出为物体A的概率是0.58，为物体B的概率是0.28，为物体C的概率是0.14。

在此，考虑物体位置推定系统起动时的情况。在物体位置推定系统起动时的人的初始推定位置随机决定时，标签阅读器304能够可靠地进行人ID的识别。因此，与随机决定的人的(初始)推定位置相比，检测到人302(所持有的标签303)的位置接近实际的人302的位置的可能性较高。因此，第二位置似然度也可以不根据推定的物体的位置，而根据标签阅读器304检测到人302(所持有的标签303)的位置求出。

此外，也可以在从物体位置推定系统起动时开始第N次(N为大于0的任意整数。)的监视器305的观测之前，根据标签阅读器304检测到人302(所持有的标签303)的位置决定第二位置似然度，第N次以后的监视器305的观测根据推定的物体的位置来决定第二位置似然度。在此，根据标签阅读器304检测到人302(所持有的标签303)的位置来决定第二位置似然度的次数N的最佳值根据观测装置性能的不同而不同。因此，需要通过事前实验等预先估计最佳值。

需要说明的是，这仅为决定位置似然度的一例，本发明不局限于此。第一位置似然度由第一观测装置101的第一物体位置似然度决定单元103决定。第二位置似然度由第二观测装置102的第二物体位置似然度决定单元105决定。

作为第一观测装置101的第一检测部101a可以使用例如标签阅读器304。

第一物体位置似然度决定单元103决定第一观测装置101的第一检测部101a检测到的人302的第一位置似然度(第一物体位置似然度)。在以标签阅读器304为一例而用作第一观测装置101的第一检测部101a时，第一物体位置似然度决定单元103可以使用例如三点测量的原理来决定人302的第一位置似然度。具体来说，各无线标签阅读器自身的设置位置预先存储于第一物体位置似然度决定单元103的内部存储部或第一内部存储部110等中。并且，各无线标签阅读器以各无线标签阅读器自身的设置位置为中心，根据由各无线标签阅读器检测到标签303的位置，由第一物体位置似然度决定单元103描绘球体。更具体来说，第一物体位置似然度决定单元103描绘以由该检测到的位置和所述设置位置算出的距离为半径的球面。此时，通过第一物体位置似然度决定单元103将球面重合最多的位置定为人302所具有的标签303存在的位置，定为人302存在的位置。

第一物体ID似然度决定单元104决定第一观测装置101的第一检测部101a检测到的人302的第一ID似然度(第一物体ID似然度)。在使用标签阅读器304作为第一观测装置101的第一检测部101a时，通过在标签303中预先记录人302的ID，从而标签阅读器304能够从标签303直接读取记录于标签303中的人302的ID。由此，对于人302的第一ID似然度，可使为人302的ID的概率是1。在标签303中未记录人302的ID时，也可以使用例如能够根据标签ID决定人302的第一ID似然度的人ID转换表。图4中示出人ID转换表的示例。在图4的人ID转换表中示出例如在检测到标签ID＝T4的标签时，检测到人ID＝H1的人。人ID转换表也可以记录在第一观测装置101的第一内部存储部110中。此外，也可以事先记录在外部的数据库等中，第一物体ID似然度决定单元104根据需要而从外部的数据库取得需要的信息来决定人302的第一ID似然度。

图5中示出第一观测装置101的人检测例。图5是观测周期为1秒的标签阅读器304的输出例，分别输出观测ID、检测到人302的时刻、检测到人302的位置(xy坐标)、人302所具有的标签ID。例如，在时刻2008/09/02_12:00:00，在位置(150，210)检测到具有标签ID＝T4的人302，并将其作为观测ID＝OBS_TAG_001的第一观测信息输出。在标签ID＝T7、T8时也同样，作为观测ID＝OBS_TAG_002的第一观测信息及观测ID＝OBS_TAG_003的第一观测信息输出(需要说明的是，以下省略“的第一观测信息”。)。此外，第一观测装置101具备用于取得观测周期及时刻的信息等的第一计时器101t。

以下，对第一观测装置101的第一检测部101a作为一例使用标签阅读器304的情况进行说明。

参照图14的流程图说明标签阅读器304的处理内容。

在步骤S1401中，由第一检测部101a检测存在于作为环境的具体示例的房间301内的标签303，由第一检测部101a检测标签303的ID和位置。通过第一物体位置似然度决定单元103根据该标签303的位置决定第一位置似然度。

在步骤S1402中，由第一检测部101a检测持有标签303的人302的ID，通过第一物体ID似然度决定单元104决定人的第一ID似然度。

在步骤S1403中，将人的第一ID似然度和第一位置似然度从第一观测装置101向物体位置推定单元108输出。

<第二观测装置的说明>

第二观测装置102具备：作为第二观测部发挥功能的第二检测部102a、图像处理部102b、第二物体位置似然度决定单元105、物体追踪状况决定单元106、第二内部存储部111。第二观测装置102取得存在于房间301内的人302的第二位置似然度(第二物体位置似然度)和人302的追踪状况的信息(追踪状况信息)，并从第二观测装置102分别向第二物体ID似然度决定单元107、物体位置推定单元108和关联单元109输出。作为第二观测装置102的第二检测部102a的示例使用监视器305。

为了使用监视器305检测人302，需要通过图像处理部102b对作为第二检测部102a的一例的监视器305取得的图像数据进行处理。作为其方法，例如可以通过图像处理部102b使用背景差量法。该方法如下。通过图像处理部102b比较由监视器305预先摄像而准备好的人302不存在时的环境例如房间301的背景图像数据和由监视器305摄像的当前的图像数据。然后，由图像处理部102b将像素值不同的区域取出作为差量区域。而且，通过图像处理部102b对所述差量区域作为人302进行检测。但是，由于存在在图像数据中混入噪声的可能性，因此在由图像处理部102b可判断出所述差量区域相对于人302十分小的情况下，可以由图像处理部102b判断所述差量区域不是人302。在此，差量区域相对于人302十分小的情况是指，所述差量区域的像素数在根据能够认识人302的最低像素数而预先设定的阈值以下的情况。

第二物体位置似然度决定单元105决定第二观测装置102的第二检测部102a和图像处理部102b检测到的人302的第二位置似然度(第二物体位置似然度)。作为第二观测装置102的第二检测部102a的一例的监视器305设置为从顶棚垂直地向地面俯视。此时，例如，第二物体位置似然度决定单元105能够根据由图像处理部102b取得的差量区域的重心位置来决定人302的第二位置似然度。

物体追踪状况决定单元106决定第二观测装置102的第二检测部102a和图像处理部102b检测到的人302的追踪状况的信息(追踪状况信息)。在作为第二观测装置102的第二检测部102a的一例使用监视器305时，例如通过将由图像处理部102b取得的差量区域的颜色的分布存储到第二内部存储部111中而能够实现人302的追踪。使用图6所示的存储于第二内部存储部111中的人检测履历数据库来说明该追踪。图6是观测周期为1秒的监视器305的输出履历，构成为记录有观测ID、检测到人302的时刻、检测到人302的位置(xy坐标)以及人302的颜色特征量。观测ID＝OBS_CAM_001的第二观测信息示出监视器305在时刻2008/09/02_12:00:00在位置(150，410)检测到人302。此外，颜色特征量中记录为红，表示通过图像处理部102b分析差量区域的颜色分布的结果是红颜色的成分最多。在此1秒后检测时的观测ID＝OBS_CAM004的第二观测信息(以后省略“观测ID＝”及“的第二观测信息”)的颜色特征量中也记录为红。此时，由于颜色特征量相同，因此推定由OBS_CAM_004检测到的人302与由OBS_CAM_001检测到的人302为同一人。因此，物体追踪状况决定单元106决定OBS_CAM_004是追踪OBS_CAM_001而得到的追踪状况信息。关于由OBS_CAM_001检测到的人302，由于以前不存在颜色特征量相同的观测ID，因此由物体追踪状况决定单元106决定追踪状况信息为初次检测到的人。在此，作为颜色特征量也可以使用RGB的成分比等。需要说明的是，第二观测装置102具备用于取得观测周期及时刻的信息等的第二计时器102t。

在此，考虑未得到OBS_CAM_004的情况。

在得到OBS_CAM_007的观测的上一次观测中，未得到具有与OBS_CAM_007相同的颜色特征量“红”的观测值。在监视器305的人的检测性能高的情况下，由物体追踪状况决定单元106决定OBS_CAM_007为初次检测到的人。此外，在监视器305的人的检测性能低的情况下，判断得到OBS_CAM_007的观测的上一次观测中人的检测错误，并且由物体追踪状况决定单元106决定作为上一次的观测值且具有相同颜色特征量“红”的OBS_CAM_001与OBS_CAM_007是同一人。

在所述示例中，由物体追踪状况决定单元106决定由OBS_CAM_004检测到的人302与由OBS_CAM_001检测到的人302是同一人这一追踪状况信息。但是，存在即使OBS_CAM_001与OBS_CAM_004检测到相同颜色特征量，物体追踪状况决定单元106也根据检测时间的差和检测位置的差而判断为检测到互不相同的人的情况。例如，在已知以人的步行速度在检测时间的差之间无论如何也无法进行从OBS_CAM_001的检测位置(150，401)到OBS_CAM_004的检测位置(320，390)的移动的情况下进行这样的判断。这样的判断基准例如可以认为检测位置(150，401)与检测位置(320，390)的距离大于所述时间与人的最大步行速度(例如秒速5m)的积即可能步行距离的情况。

此外，在所述示例中，在各自具有相同颜色特征量的两人擦身而过的情况下，由物体追踪状况决定单元106无法判断这次得到的观测ID追踪了以前得到的哪个观测ID。

这种情况下，物体追踪状况决定单元106也可以考虑人的运动模型。图17中示出各自具有相同颜色特征量的两人擦身而过时的监视器305的观测状况。需要说明的是，本来应该还能够得到标签阅读器304的观测值，但在此省略。

如上所述，由物体追踪状况决定单元106在时刻12:00:02作为追踪状况信息能够判断出OBS_CAM_103是追踪具有相同颜色特征量且在1秒以内能够移动的OBS_CAM_101而得到的观测值。同样地，由物体追踪状况决定单元106能够判断出OBS_CAM_104是追踪具有相同颜色特征量且在1秒以内能够移动的OBS_CAM_102而得到的观测值。

在此，不仅考虑特征量，而且考虑物体存在的时间的理由如下。即，如果作为追踪状况信息可以仅以物体的特征量将观测ID彼此关联，而能够作为追踪状况信息进行处理，则简单而优选。然而，实际上，可能还存在特征量相同的物体存在有多个的情况(例如，可能存在穿着相同服装的人的情况等)。此时，可以不仅考虑特征量，而且考虑物体每一时刻存在的位置而将观测ID关联。例如，预先存储“在人以1秒移动至相隔100m以上的场所时即使特征量相同也不进行关联”等规则，使物体追踪状况决定单元106能够使用该规则即可。

由此，由物体追踪状况决定单元106能够判断，OBS_CAM_103以秒速2m向-X方向行进，OBS_CAM_104以秒速2m向+X方向行进。

在时刻12:00:03，作为OBS_CAM_105的追踪源的观测值，具有相同颜色特征量且在1秒以内能够移动的观测值存在OBS_CAM_103和OBS_CAM_104两个。此时，通过由物体追踪状况决定单元106参照第二内部存储部111的人检测履历数据库的OBS_CAM_103和OBS_CAM_104的行进履历的信息，从而由物体追踪状况决定单元106判断哪个观测值是OBS_CAM_105的追踪源的观测值。根据OBS_CAM_103以秒速2m向-X方向行进，由物体追踪状况决定单元106可判断出下一次观测(在时刻12:00:03的观测)在坐标(550，350)得到的可能性较高。此外，根据OBS_CAM_104以秒速2m向+X方向行进，由物体追踪状况决定单元106可判断出下一次观测在坐标(450，250)得到的可能性较高。

在此，OBS_CAM_105在坐标(550，350)得到，由物体追踪状况决定单元106判断出其是追踪OBS_CAM_103而得到的观测值。同样地，由物体追踪状况决定单元106可判断出OBS_CAM_106是追踪OBS_CAM_104而得到的观测值。

需要说明的是，人检测履历数据库可以如上述那样存储到第二观测装置102的第二内部存储部111。此外，也可以事先记录到外部的数据库等中，物体追踪状况决定单元106根据需要而从外部的数据库等取得需要的信息来取得物体追踪状况的信息。而且，第一观测装置101与第二观测装置102的观测周期不必相同。

以下，将第二观测装置102的第二检测部102a的一例作为监视器305进行说明。

参照图15的流程图来说明监视器305的处理内容。

在步骤S1501中，由第二检测部102a检测存在于作为环境的具体示例的房间301内的人302，通过第二物体位置似然度决定单元105根据由图像处理部102b检测到的位置决定第二位置似然度。

在步骤S1502中，通过第二检测部102a和图像处理部102b将由第二检测部102a和图像处理部102b检测到的信息记录到第二内部存储部111的人检测履历数据库中。

在步骤S1503中，由物体追踪状况决定单元106参照人检测履历数据库，从而通过物体追踪状况决定单元106决定由第二检测部102a和图像处理部102b检测到的人302的追踪状况。

在步骤S1504中，将上述的第二位置似然度、追踪状况信息从第二观测装置102分别向第二物体ID似然度决定单元107、物体位置推定单元108和关联单元109输出。

在此，第一观测装置101和第二观测装置102的观测周期越短，则进行物体位置推定的次数越增加，因此位置的推定精度高。

<关联单元和物体位置推定单元的说明>

物体位置推定单元108根据由第一观测装置101决定(检测)的人302的第一ID似然度和第一位置似然度、由第二观测装置102决定(检测)的人302的第二位置似然度、由第二物体ID似然度决定单元107决定的第二ID似然度来推定人302的位置。

具体来说通过以下的方法进行。关联单元109在作为其位置推定的方法而接收到以下的第一ID似然度和第一位置似然度时，根据接收到的物体的第一ID似然度和第一位置似然度而进行关联值的计算。

关联单元109根据从第一观测装置101接收到的物体的第一ID似然度和第一位置似然度、从第二观测装置102接收到的物体的第二位置似然度、从第二物体ID似然度决定单元107接收到的物体的第二ID似然度，以概率的方式求出检测到的物体是哪个ID的物体。物体的检测由第一观测装置101的第一检测部101a、第二观测装置102的第二检测部102a以及图像处理部102b进行。在此的说明中，将第一观测装置101及第二观测装置102统称为“观测装置”，将第一ID似然度及第二ID似然度统称为“ID似然度”，将第一位置似然度及第二位置似然度统称为“位置似然度”。

在此，将关联单元109求出的概率值称为“关联值”。具体来说，关联值是表示将由观测装置观测到的ID似然度和位置似然度的信息与实际的物体进行关联的值(第二ID似然度由第二物体ID似然度决定单元输出)。即，以概率的方式表示从观测装置接收到的物体的ID似然度和位置似然度是通过检测哪个ID的物体而得到的值。上面记述的物体的ID似然度及位置似然度分别是表示观测信息(观测数据)是观测某物体而得到的信息(数据)这一概率的值。此外，关联值以该ID似然度与位置似然度的积表示。此外，用于由关联单元109进行关联值的计算的、第二观测装置102检测到的物体的第二ID似然度不是由第二观测装置102算出，而是由第二物体ID似然度决定单元107算出的。

在基于关联单元109的关联值的计算结束时，由物体位置推定单元108根据关联单元109的计算结果和所述物体的追踪状况信息推定人302的位置。另外，基于关联单元109的关联值的计算的结束可通过例如关联单元109的计算结果从关联单元109输入到物体位置推定单元108来进行判断。在计算结果的信息从关联单元109输入到物体位置推定单元108时，物体位置推定单元108判断关联值的计算已结束。然后，由物体位置推定单元108根据关联单元109的计算结果和所述物体的追踪状况信息推定人302的位置。

作为其方法，可以在物体位置推定单元108中使用以卡尔曼过滤等为代表的贝叶斯推定框架。通过物体位置推定单元108根据由第二观测装置102得到的人302的ID似然度和位置似然度进行位置的推定，但此时人302的位置的更新量以所述关联值进行加权。以所述关联值的加权信息从关联单元109向物体位置推定单元108输出。

需要说明的是，关联值的值越高，物体的位置的更新量越大。换言之，是某一物体的观测数据的可能性高的观测数据对位置更新的贡献率高。

<卡尔曼过滤说明>

卡尔曼过滤是指，以假定在系统的状态(在本发明的该第一实施方式中例如为物体的位置)的信息以及第一观测装置101、第二观测装置102的观测数据(观测信息)双方中含有噪声为基础，推定可能性最大的系统的状态。换言之，从系统的可得到的状态的备选中推定出概率最高的状态。

图2中示出在物体位置推定处理中利用卡尔曼过滤的示例。纵轴表示概率，横轴表示位置。

在物体如下述(式1)所示那样进行移动时，能够得到由第二观测装置102(式2)求出的观测值203。在此，A表示物体的运动模型，x表示物体位置，v表示移动时产生的工艺噪声。此外，y表示观测值，H表示使物体位置x与观测值y对应的观测模型，w表示观测噪声，t表示时间。

x_t＝A_tx_t-1+v_t

.....(式1)

y_t＝H_tx_t+w_t

.....(式2)

在此，若工艺噪声v及观测噪声w为白色高斯噪声，则p(w)如(式3)所示，p(v)如(式4)所示。另外，N(0，Q)表示均值0、方差Q的高斯分布。N(0，R)也同样表示均值0、方差R的高斯分布。

p(w)～N(0，Q)

.....(式3)

p(V)～N(0，R)

.....(式4)

在得到观测值203时，由物体位置推定单元108更新当前得到的与物体的位置相关的事前概率分布201(以后，称为“事前分布”。)，由物体位置推定单元108作出预测概率分布202(以后，称为“预测分布”。)。能够由物体位置推定单元108利用(式5)的式子求出预测分布202的均值(位置)，由物体位置推定单元108利用(式6)的式子求出预测分布202的方差。另外，“X_a|b”表示根据时刻b的信息得出的时刻a的X的推定值。例如，(式5)的“x_t|t-1”表示根据时刻t-1的信息得出的时刻t的物体位置x的推定值，(式6)的“P_t|t-1”表示根据时刻t-1的信息得出的时刻t的P的推定值。在此，P表示分布的方差。

x_t|t-1＝A_tx_t-1|t-1

.....(式5)

$P_{t|t-1}=A_t{P}_{t-1|t-1}{A}_t^T+Q_t$

.....(式6)

在通过物体位置推定单元108得到预测分布202时，由物体位置推定单元108根据观测值203和预测分布202求出事后分布204。能够由物体位置推定单元108利用(式7)求出事后分布的均值(位置)，由物体位置推定单元108利用(式8)求出事后分布的方差。在此，K是称为卡尔曼增益的值，通过(式9)的式子求出。卡尔曼增益是决定更新量的值。在观测值的精度好(方差R非常小)的情况下，为了增大更新量，卡尔曼增益的值变大。相反，在事前分布的精度良好(方差P非常小)的情况下，为了减小更新量，卡尔曼增益的值变小。

另外，在使用关联值对物品A的位置的更新量进行加权时，如后述那样，将式(9)置换为式(9A)即可。在式(9A)中，“D”表示相对于所述物品A的关联值。

x_t|t＝x_t|t-1+K_t(y_t-H_tx_t|t-1)

.....(式7)

P_t|t＝(1-K_tH_t)P_t|t-1

....(式8)

$K_t=P_{t|t-1}{H}_t^T{(H_t{P}_{t|t-1}{H}_t^T+R_t)}^{-1}$

.......式(9)

.......式(9A)

图7中示出物体位置推定单元108的输出履历的示例。需要说明的是，物体位置推定单元108是掌握与第一观测装置101和第二观测装置102的位置相关的标准偏差等的位置误差特性的部分。换言之，在此，假定与第一观测装置101和第二观测装置102的位置相关的标准偏差等的位置误差特性的信息输入到物体位置推定单元108，从而储存到物体位置推定单元108的内部存储部等中。

<第二物体ID似然度决定单元的说明>

第二物体ID似然度决定单元107根据物体追踪状况决定单元106的物体的追踪状况信息和由关联单元109求出的关联值，决定监视器305和图像处理部102b观测到的观测值的第二ID似然度(第二物体ID似然度)。

在由监视器305和图像处理部102b观测到的观测值为初次观测到的观测值时，第二物体ID似然度决定单元107判断可能是存在于房间301内的所有的人。即，在房间301内存在人302A、人302B、人302C这三人的情况下，第二物体ID似然度决定单元107判断由监视器305和图像处理部102b观测到的观测值以同一概率(1/3)观测到上述三人。更具体来说，为检测人ID＝H1(例如，人302A)而得到的观测值的概率是1/3，为检测人ID＝H2(例如，人302B)而得到的观测值的概率是1/3，为检测人ID＝H3(例如，人302C)而得到的观测值的概率是1/3，以此分别决定人的第二ID似然度。此外，如上所述，图7中示出物体位置推定单元108的推定结果的输出图例，推定位置(推定出的位置)根据事前的人的推定位置和观测装置的观测值计算。在此，在12:00:00时的推定结果中，由于事前的人的推定位置为初始值(本次的例子中为房间的中心)，因此即使包括观测装置的观测值在内进行计算，也难以将人的位置推定在正确的位置。由图7可知，通过在时刻12:00:001、时刻12:00:002……，每次得到观测装置的观测值时，逐次更新人的位置，从而能够提高人位置的推定精度。

如上所述，通过关联单元109使用由第二物体ID似然度决定单元107决定的第二ID似然度，并根据当前推定的人的ID和人的位置而求出关联值。求出的关联值记录到内置于关联单元109的内部存储部的关联值数据库109a中。

图8中示出关联值数据库109a的示例。在关联值数据库109a中记录有作为第二观测装置102的第二检测部102a的一例的监视器305的观测ID和对各人302的关联值。根据图8，由OBS_CAM_004检测到的人是HUM_001的人的概率最高，为0.69，其次是HUM_002的人概率，为0.19，最低是HUM_003的人的概率，为0.12。关于其他的观测ID也同样地记录有相对于各人的关联值。需要说明的是，关联值数据库109a也可以记录在关联单元109的内部存储部中。此外，也可以记录到外部的数据库等中，关联单元109根据需要而从外部的数据库取得需要的信息而计算关联值。

在由监视器305和图像处理部102b观测到的观测值是追踪以前的观测值得到的观测值时，第二物体ID似然度决定单元107将通过关联单元109以与所述观测值对应的上一次的观测值求出的上一次的关联值决定为第二ID似然度。并且，通过关联单元109使用由第二物体ID似然度决定单元107决定的第二ID似然度，根据当前推定的人的ID和人的位置而求出当前的关联值。求出的关联值通过关联单元109记录到关联值数据库109a中。

在此，考虑监视器305追踪观测值失败的可能性。监视器305通过将上一次的观测值和这一次的观测值对应，从而从第二观测部102向第二物体ID似然度决定单元107输出“是追踪同一物体而得到的观测值”，但是实际上，由于噪声的影响等，也可能由监视器305和图像处理部102b检测到通过检测初次出现的其他的人而得到的观测值。因此，也可以由第二物体ID似然度决定单元107导入监视器305能够正确追踪观测值的概率变量T，根据(式10)，由第二物体ID似然度决定单元107决定第二ID似然度。

在(式10)中，p_id表示第二ID似然度，r表示关联值，N表示存在于房间301内的人的数量，t表示时间。

根据(式10)可知，在概率变量T＝0时，可以认为追踪确实失败或初次检测到观测值，所述观测值的第二ID似然度p_id为(式11)。

此外，概率变量T＝1时，可以认为追踪确实成功，所述观测值的第二ID似然度p_id为(式12)。

即，换言之，物体追踪状况决定单元106输出表示物体的追踪成功的概率的追踪成功似然度和表示物体的追踪失败的概率的追踪失败似然度。第二物体ID似然度决定单元107将下述两值的和作为所述物体的第二ID似然度p_id，所述两值分别是在所述物体的上一次检测时算出的关联值与所述追踪成功似然度相乘的积值、追踪失败似然度除以作为检测对象的全部物体的数量的商值。在此，追踪成功似然度为概率变量T，追踪失败似然度为(1-T)。

在物体的追踪成功的情况下，第二物体ID似然度决定单元107的动作结果即第二ID似然度p_id的求出方法为，根据上一次观测值的关联值来推定物体的ID似然度。然而，实际上，物体的追踪也可能失败。因此，仅以追踪成功似然度的概率分配根据上一次观测值的关联值而推定的ID似然度。即为(式10)的左边的(r_t-1T_t)。

另一方面，在物体的追踪失败的情况下，完全无法推定是哪个ID的物体，因此认为可能是全部的物体的ID而均等地分配概率。即，仅将追踪失败似然度(1-T)均等地分配。即为(式10)的右边的{(1-T_t)/N}(其中，N＝物体的数量)。在追踪确实成功的情况下，概率变量T＝1，(式10)的右边的{(1-T_t)/N}的值为0，(式10)的左边的(r_t-1T_t)的值为r_t-1，得到(式12)。在追踪确实失败的情况下，T＝0，(式10)的左边的(r_t-1T_t)的值为0，(式10)的右边的{(1-T_t)/N}的值为{1/N}，得到(式11)。

作为基于第二物体ID似然度决定单元107的概率变量T的求出，可以考虑进行事前实验，决定实际上追踪成功的概率，并将该信息存储到第二物体ID似然度决定单元107的内部存储部等。此外，在第二观测装置102的物体追踪方法中记载的、在由颜色特征量等无法识别的多个观测值密集的情况下，也可以在追踪失败的概率提高时由第二物体ID似然度决定单元107进行降低概率变量T的值等的处理。在此，是否为“由颜色特征量等无法识别的多个观测值密集的情况”例如可以如下所述那样由第二物体ID似然度决定单元107判断。在考虑传感器一秒钟进行一次观测的情况时，在人在一秒钟内能够前进的距离(例如半径3m的圆)内存在三个以上的(推定中的)人的情况下，由第二物体ID似然度决定单元107判断在该距离内密集。并且，在该三个人全部具有相同颜色特征量的情况下，可以进一步进行降低概率变量T的值等处理。

$p_{\mathrm{id}}=f(r_{t-1},T_t,N)=r_{t-1}{T}_t+\frac{1-T_t}{N}$

.....(式10)

$p_{\mathrm{id}}=\frac{1}{N}$

.....(式11)

p_id＝r_t-1

.....(式12)

进而，考虑两个人在监视器画面上重合的情况。图12A示出在时刻T由监视器305和图像处理部102b检测到的人ID＝H1的人(以下，简称“H1的人”。)的位置、人ID＝H2的人(以下，简称“H2的人”。)的位置以及H1的人与H2的人的检测位置间的距离。图12B示出在时刻T+1监视器305检测到H1的人的位置、H2的人的位置以及H1的人与H2的人的检测位置间的距离。由物体追踪状况决定单元106判断出从时刻T到时刻T+1，H1的人与H2的人间的距离从600cm缩小到200cm。在此，监视器305是能够通过物体追踪状况决定单元106追踪H1的人和H2的人的装置。此外，图13中示出时刻T+2的监视器305的人检测状况。根据图13可知，在时刻T+2，仅检测到H1的人。可以认为H2的人隐藏到因H1的人的存在而产生的死角中。此时，也可以将式10的变量r设为时刻T+1的H1的人的关联值与时刻T+1的H2的人的关联值的平均值。需要说明的是，考虑到H2的人从房间301离开的可能性，也可以作为H1的人的第二ID似然度，由第二物体ID似然度决定单元107在时刻T+1的H1的人的关联值上加上进行了加权的H2的人的关联值。此外，通过对人的检测位置间的距离设置阈值，从而能够由第二物体ID似然度决定单元107判断H2的人是否隐藏到因H1的人的存在而产生的死角中。即，在由第二物体ID似然度决定单元107判断出H2的人的检测位置B相对于H1的人的检测位置A位于比阈值短的距离内的情况下，在未检测到H1的人时由第二物体ID似然度决定单元107判断H1的人被H2的人隐藏。由第二物体ID似然度决定单元107对H2的人或其他的人进行同样的判断。

<关于物体位置推定单元与第二物体ID似然度决定单元的关系的说明>

使用图9A～图11F对物体位置推定单元108与第二物体ID似然度决定单元107进行说明。

图9A～图9C示出存在于房间301内的人302A、人302B、人302C的实际位置。图9A示出在时刻2008/09/02_12:00:00的人302A、人302B、人302C的实际位置。图9B示出在时刻2008/09/02_12:00:01的人302A、人302B、人302C的实际位置。图9C示出在时刻2008/09/02_12:00:02的人302A、人302B、人302C的实际位置。根据图9A可知，人ID＝H1(以后省略“人ID＝”)的人302A在时刻2008/09/02_12:00:00实际存在于坐标(190，380)的位置。在此，图9是用于说明物体位置推定单元108和第二物体ID似然度决定单元107的图，图9A所示的信息不在本发明的第一实施方式的其他的说明中使用。

图10A～图10C示出基于在房间301内的标签阅读器304与监视器305的人检测状况。图10A示出在时刻2008/09/02_12:00:00的人检测状况。图10B示出在时刻2008/09/02_12:00:01的人检测状况。图10C示出在时刻2008/09/02_12:00:02的人检测状况。根据图10A可知，基于标签阅读器304的人检测位置1001得到三处，在坐标(150，210)的位置检测到标签ID＝T4(以后，省略“标签ID＝”而简称标签。)的人302A，在坐标(620，100)的位置检测到标签T7的人302B，在坐标(620，630)的位置检测到标签T8的人302C(参照图5)。同样地，监视器人检测位置1002也得到三处，在坐标(150，410)的位置检测到一个人，在坐标(810，220)的位置检测到一个人，在坐标(810，650)的位置检测到一个人(参照图6)。

图11A～图11F示出在房间301内的物体位置推定单元108推定出的人302的位置。图11A是在时刻2008/09/02_12:00:00的本发明的第一实施方式的物体位置推定系统的起动时的推定位置的初始位置。在图11A中随机决定初始位置，但也可以设置在房间301的中心等。在物体位置推定系统具有记载有房间301的出入口的位置等的出入口信息等的环境图(环境图信息)的情况下，也可以将房间301的出入口作为初始位置。除此以外，在环境图(环境图信息)中还可以包含所述第一观测装置的死角信息或所述第二观测装置的死角信息。在此，在仅使用用于设定初始位置的出入口信息的情况下，将记录有出入口信息的环境图(环境图信息)存储到物体位置推定单元108的内部存储部中即可。此外，记录有物体追踪状况决定单元106参照的监视器死角信息的环境图(环境图信息)由第二观测装置102的内部存储部存储即可。

在图19A及图19B中分别示出环境图的一例。环境图包括：如图19A所示那样记录有出入口的位置坐标信息的出入口环境图数据；如图19B所示那样记录有监视器305的死角信息的监视器死角环境图数据。出入口环境图存储记录于物体位置推定单元108的内部存储部，监视器死角环境图存储记录于监视器305的内部存储部。

在以房间301的出入口作为初始位置时，通过物体位置推定单元108参照出入口环境图，能够由物体位置推定单元108决定所述初始位置为(x，y)＝(100，0)。

监视器305的死角表现为以记录于监视器死角环境图中的两点为对角点的矩形。

在此，对监视器305的死角的利用方法进行说明。

设在时刻13:00:00，在位置(x，y)＝(98，99)得到具有红颜色的颜色特征量的“观测值A”。并且，在时刻13:00:01、时刻13:00:02没有得到具有红颜色的颜色特征量的观测值，而在时刻13:00:03在位置(x，y)＝(201，202)得到具有红颜色的颜色特征量的“观测值B”。

在这样的状况下，在求观测值B的ID似然度时，由于在上一次的观测(13:00:02)中未得到与观测值B具有相同特征量的观测值，因此会判断观测值B是初次观测到的观测值。即，如(式11)所示，以全部的人物ID均等地分配ID似然度。

在此，物体追踪状况决定单元106参照监视器死角环境图可知，观测值A、观测值B都位于“监视器死角1”的附近。即，能够由物体追踪状况决定单元106判断在时刻13:00:01及时刻13:00:02，存在由于人进入了监视器的死角因而未得到观测值可能性。因此，能够由物体追踪状况决定单元106判断出观测值B不是初次观测到的观测值，而是追踪观测值A而得到的观测值。

需要说明的是，关于观测值是否位于监视器死角的附近的判断方法，可以在物体追踪状况决定单元106中利用监视器的观测周期与人的步行速度的关系。例如，在监视器的观测周期为一秒钟一次，人的步行速度为一秒钟70cm时，由物体追踪状况决定单元106判断在距监视器死角70cm以内的范围内观测到的观测值是位于监视器死角附近的观测值。

图11B示出根据在时刻2008/09/02_12:00:00由标签阅读器304和监视器305检测到的人的信息而推定出的人的推定位置。图11C是进一步在时刻2008/09/02_12:00:01的推定位置的初始位置。图11D表示进一步使用在时刻2008/09/02_12:00:01由标签阅读器304和监视器305检测到的人的信息而推定出的人的推定位置。图11E是进一步在时刻2008/09/02_12:00:02的推定位置的初始位置。图11F示出进一步使用在时刻2008/09/02_12:00:02由标签阅读器304和监视器305检测到的人的信息而推定出的人的推定位置。

<本系统的动作说明>

以下，参照图16的流程图而沿着时间的推移进行详细说明。需要说明的是，以下的顺序由物体位置推定装置120进行动作制御。在此，由物体位置推定系统中的第二物体ID似然度决定单元107、物体位置推定单元108和关联单元109构成物体位置推定装置120。此外，使物体位置推定系统构成为具备：所述物体位置推定装置120；具有标签阅读器304的第一观测装置101；具有监视器305的第二观测装置102，据此进行说明。标签阅读器304是第一检测部101a的一例，监视器305是第二检测部102a的一例。

若起动本发明的所述第一实施方式的物体位置推定系统，则在步骤S1601中，首先在物体位置推定单元108中对人302的推定位置设定初始位置(参照图11A)。需要说明的是，在所述第一实施方式的物体位置推定系统中，在物体位置推定单元108内具备用于掌握已更新了几次物体位置的计数器。在该计数器为0时，即在物体位置的更新一次也没有进行的所述物体位置推定系统的起动时，将人302的位置设定为初始位置。在此，在图3中用点划线表示的房间301的出入口301D设置有作为第一观测装置101的标签阅读器发挥功能的门型标签阅读器304d。此外，在人302通过出入口301D而进入房间301时，通过门型标签阅读器304d能够读取进入房间301的人302的全部标签。因此，由第一观测装置101可知存在于房间301内的人302的ID的全部。此外，存在于房间301内的人302的ID也可以记录于所述物体位置推定系统的例如第一观测装置101的第一内部存储部110等中。如果为无法设置门型标签阅读器的环境时，人302的初始位置也可以在标签阅读器304初次检测到人302时设定初始位置。

接下来，在步骤S1602中，促使物体位置推定装置120接收来自第一观测装置101及第二观测装置102的输出即观测信息。在此，作为一例设为，物体位置推定装置120接收到在时刻2008/09/02_12:00:00通过标签阅读器304、监视器305和图像处理部102b初次检测到人302的(关于检测状况参照图10A。关于检测到的位置坐标参照图5、图6。)观测信息。由标签阅读器304和监视器305检测到的信息向所述物体位置推定装置120输出。在本次的示例中，标签阅读器304与监视器305的观测时刻均设为2008/09/02_12:00:00而进行说明，但实际上观测时刻可能产生偏差。在这样的情况下，也可以例如事先将基准时刻设定为间隔一秒，所述系统判断在从基准时刻起允许时间的范围内、例如±500msec的范围内得到的观测值全部为同时刻得到的观测值。图18中示出基准时刻的设定的一例。在图18的观测状况的情况下，所述系统判断从作为基准时刻的12:00:01:000起±500msec的范围内观测到的OBS_CAM_201和OBS_TAG_201为在同时刻观测到的观测值。同样地，所述系统判断OBS_CAM_202和OBS_TAG_202、OBS_CAM_203和OBS_TAG_203分别是在同时刻观测到的观测值。

接着，在步骤S1603中，在第二观测装置102的第二检测部102a的监视器305和图像处理部102b检测到的人检测信息(OBS_CAM_001、OBS_CAM_002、OBS_CAM_003)中不包含物体位置推定单元108处理所需要的第二ID似然度。因此，首先从第二观测装置102向第二物体ID似然度决定单元107输出所述人检测信息，通过第二物体ID似然度决定单元107决定由第二观测装置102检测到的人302的第二ID似然度。在此，在步骤S1603中，判断是否在从第二观测装置102向第二物体ID似然度决定单元107输出所述人检测信息。若在从第二观测装置102向第二物体ID似然度决定单元107输出所述人检测信息，则进入步骤S1604。另一方面，若没有从第二观测装置102向第二物体ID似然度决定单元107输出所述人检测信息，则进入步骤S1609。在本次的示例中，由于监视器305在输出人检测信息，因此在步骤S1603中向YES的方向前进，进入步骤S1604。另一方面，若人302进入了监视器305的死角等、监视器305没有输出人检测信息，则在步骤S1603中向NO的方向前进，进入步骤S1609。

在步骤S1604中，由第二物体ID似然度决定单元107决定第二观测装置102检测到的人的第二ID似然度。即，第二物体ID似然度决定单元107根据从第二观测装置102的物体追踪状况决定单元106向第二物体ID似然度决定单元107的输出，判断OBS_CAM_001、OBS_CAM_002、OBS_CAM_003的信息全部为检测到新人而得到的人检测信息。其理由是，例如如上所述，在上述信息以前的某段时间内不存在检测到这些人的信息等情况下，可以由第二物体ID似然度决定单元107如此进行判断。然后，第二物体ID似然度决定单元107将是存在于房间301内的人的概率均等地分配给由OBS_CAM_001、OBS_CAM_002、OBS_CAM_003检测到的人的第二ID似然度。即，通过第二物体ID似然度决定单元107决定由OBS_CAM_001检测到的人为人302A的概率是1/3，为人302B的概率是1/3，为人302C的概率是1/3。通过第二物体ID似然度决定单元107对OBS_CAM_002及OBS_CAM_003也分别同样地分配概率。

然后，在步骤S1605中，关联单元109利用监视器305检测到的人的位置、第二物体ID似然度决定单元107输出的人的第二ID似然度、图11A中所示的物体位置推定单元108推定出的人的ID和人的位置而求出关联值。求出的关联值记录到关联值数据库109a中(参照图8)。

接下来，在步骤S1606中，第一观测装置101的第一检测部101a的标签阅读器304检测到的人检测信息从第一观测装置101向物体位置推定单元108直接输出。这是因为在上述的人检测信息中包含物体位置推定单元108处理所需要的第一ID似然度和第一位置似然度。在此，若在从第一观测装置101向物体位置推定单元108输出所述人检测信息，则进入步骤S1607。此外，若没有从第一观测装置101向物体位置推定单元108输出所述人检测信息，则进入步骤S1608。在本次的示例中，由于标签阅读器304在输出人检测信息，因此在步骤S1606中向YES的方向前进，进入步骤S1607。另一方面，若人302进入了标签阅读器304的死角等、标签阅读器304没有输出人检测信息，则在步骤S1606中向NO的方向前进，进入步骤S1608。

此外，在步骤S1609中，第一观测装置101的第一检测部101a的标签阅读器304检测到的人检测信息从第一观测装置101向物体位置推定单元108直接输出。这是因为在上述的人检测信息中包含物体位置推定单元108处理所需要的第一ID似然度和第一位置似然度。在此，在步骤S1609中，判断是否在从第一观测装置101对物体位置推定单元108输出包含所述第一ID似然度和第一位置似然度的人检测信息。若在从第一观测装置101向物体位置推定单元108输出所述人检测信息，则进入步骤S1610，若没有从第一观测装置101向物体位置推定单元108输出所述人检测信息，则返回步骤S1602。在本次的示例中，由于标签阅读器304在输出人检测信息，因此在步骤S1609中向YES的方向前进，进入步骤S1610。另一方面，若人302进入了标签阅读器304的死角等、标签阅读器304没有输出人检测信息，则在步骤S1609中向NO的方向前进，返回步骤S1602。

在步骤S1607中，物体位置推定单元108根据第一观测装置101的第一检测部101a的标签阅读器304检测到的人的第一ID似然度及人的第一位置似然度、第二观测装置102的第二检测部102a的监视器305检测到的人的第二位置似然度、第二物体ID似然度决定单元107输出的人的第二ID似然度来进行人的位置推定。根据该位置推定来更新人的ID及人的位置(参照更新了图11A的图11B)。在本次的示例中，由于标签阅读器304和监视器305都在输出人检测信息，因此进行步骤S1607的处理。此后返回步骤S1602。

此外，在步骤S1608中，物体位置推定单元108根据第二观测装置102的第二检测部102a的监视器305检测到的人的第二位置似然度、第二物体ID似然度决定单元107输出的人的第二ID似然度来进行人的位置推定。然后，根据该位置推定来更新人的ID及人的位置(参照更新了图11A的图11B)。此后返回步骤S1602。

此外，在步骤S1610中，物体位置推定单元108根据第一观测装置101的第一检测部101a的标签阅读器304检测到的人的第一ID似然度及人的第一位置似然度来进行人的位置推定。然后，根据该位置推定更新人的ID及人的位置(参照更新了图11A的图11B)。此后返回步骤S1602。

进而，在从步骤S1607、步骤S1608或步骤S1610返回的步骤S1602中，在下一时刻2008/09/02_12:00:01由标签阅读器304和监视器305检测人302(关于检测状况参照图10B，关于检测到的位置坐标参照图5、图6)。

接下来，在步骤S1603中，判断是否在从第二观测装置102向第二物体ID似然度决定单元107输出所述人检测信息。若在从第二观测装置102向第二物体ID似然度决定单元107输出所述人检测信息，则进入步骤S1604。另一方面，若没有从第二观测装置102向第二物体ID似然度决定单元107输出所述人检测信息，则进入步骤S1609。

然后，在步骤S1604中，由第二物体ID似然度决定单元107决定关于第二观测装置102检测到的人的第二ID似然度。即，与时刻2008/09/02_12:00:00时同样地，需要由第二物体ID似然度决定单元107求出在时刻2008/09/02_12:00:01由OBS_CAM_004、OBS_CAM_005、OBS_CAM_006分别检测到的人的第二ID似然度。但是，这一次由物体追踪状况决定单元106根据通过物体追踪状况决定单元106的输出所得的颜色特征量的同一性而决定OBS_CAM_004是追踪OBS_CAM_001而得到的人检测信息。此外，同样由物体追踪状况决定单元106决定OBS_CAM_005是追踪OBS_CAM002而得到的人检测信息、OBS_CAM_006是追踪OBS_CAM_003而得到的人检测信息。于是，第二物体ID似然度决定单元107根据基于物体追踪状况决定单元106的所述决定的信息，将记录于关联值数据库109a中的OBS_CAM_001的关联值作为OBS_CAM_004的人的第二ID似然度输出。关于OBS_CAM_005及OBS_CAM_006也同样地从第二物体ID似然度决定单元107输出。

在本次的观测中得到观测值OBS_CAM_004的情况下，观测ID＝OBS_CAM_004和观测ID＝OBS_CAM_001这两个观测ID成组地从物体追踪状况决定单元106向第二物体ID似然度决定单元107输出。在第二物体ID似然度决定单元107从物体追踪状况决定单元106接收成组的观测ID时，为了求出观测ID＝OBS_CAM_004的ID似然度，第二物体ID似然度决定单元107从关联值数据库109a读出观测ID＝OBS_CAM_001的关联值。在此，需要区别用于求出ID似然度的观测ID与用于读出关联值的观测ID的方法。例如，可以判断在关联值数据库109a中记录有关联值的观测值是读出关联值的观测值。

接下来，在步骤S1605、步骤S1606及步骤S1609中，进行与之前说明同样的处理。

在步骤S1607中，物体位置推定单元108根据第一观测装置101的第一检测部101a的标签阅读器304检测到的人的第一ID似然度及人的第一位置似然度、第二观测装置102的第二检测部102a的监视器305检测到的人的第二位置似然度、第二物体ID似然度决定单元107输出的人的第二ID似然度来进行人的位置推定。而且，根据该位置推定更新人的ID及人的位置(参照更新了图11C的图11D)。然后，返回步骤S1602。

此外，在步骤S1608中，物体位置推定单元108根据第二观测装置102的第二检测部102a的监视器305检测到的人的第二位置似然度、第二物体ID似然度决定单元107输出的人的第二ID似然度来进行人的位置推定。而且，根据该位置推定更新人的ID及人的位置(参照更新了图11C的图11D)。此后返回步骤S1602。

此外，在步骤S1610中，物体位置推定单元108根据第一观测装置101的第一检测部101a的标签阅读器304检测到的人的第一ID似然度及人的第一位置似然度来进行人的位置推定。而且，根据该位置推定更新人的ID及人的位置(参照更新了图11C的图11D)。此后返回步骤S1602。

此后，在时刻2008/09/02_12:00:02以后也进行同样的处理，更新人的ID及人的位置(参照更新了图11E的图11F)。

本次将房间301这一屋内空间作为示例进行了说明，但只要是想要管理的人能够具有标签的空间，即使为屋外本系统也能够利用。例如，通过在位于校舍与操场之间的校门或在楼梯口设置门型标签阅读器，能够识别存在于校舍内的学生和存在于操场上的学生。并且，通过在操场的围墙或校舍上设置标签阅读器和监视器，能够推定学生存在于操场内的哪个位置。若操场的面积宽阔，无法通过一台标签阅读器、监视器观测操场整个区域，则也可以增加标签阅读器数量、监视器数量。

通过以上的结构，在第二观测装置102进行物体的追踪成功时，可以将上一次检测到所述物体时的关联值置换为这一次第二观测装置102的第二检测部102a和图像处理部102b检测到的物体的第二ID似然度。由此，能够进行物体位置推定单元108的处理。

(第二实施方式)

在此，考虑物体位置推定单元108的推定状况。由于随机地设定初始值，因此图11A示出的人的位置，与实际的人的存在位置(图9A)不同。图11B为根据在时刻2008/09/02_12:00:00由第一观测装置101及第二观测装置102检测到的人的信息而进行物体位置推定的结果。虽然接近于实际的人的存在位置(图9A)，但还存在接近2m的位置误差。这是因为根据人的初始位置来更新人的位置。即，在物体位置推定系统刚起动后，物体位置的推定精度低。伴随于此，利用物体位置推定单元108的物体位置推定结果的关联单元109的关联值的精度也低。

因此，关联单元109也可以根据第一观测装置101的第一检测部101a检测到的物体的ID和物体的位置，求出与第二观测装置102的第二检测部102a和图像处理部102b检测到的物体相关的关联值。考虑作为第一观测装置101的第一检测部101a的一例使用标签阅读器304的情况。如上所述，标签阅读器304的位置检测精度低。因此，关联单元109也可以在物体位置推定单元108的物体位置推定结果收敛前和收敛后改变用于算出关联值的信息。具体来说，在物体位置推定单元108的物体位置推定结果收敛前，根据标签阅读器304检测到的物体的ID和物体的位置求出与第二观测装置102的第二检测部102a和图像处理部102b检测到的物体相关的关联值。另一方面，也可以在物体位置推定单元108的物体位置推定结果收敛后，根据物体位置推定结果来求出与第二观测装置102的第二检测部102a和图像处理部102b检测到的物体相关的关联值。

在此，对基于关联单元109的物体位置的收敛的判断的一例进行说明。在物体的位置的更新方法使用上述的卡尔曼过滤作为一例时，物体的推定位置作为由均值和方差表现的高斯分布而输出。此时，可以在关联单元109判断出全部的物体的平均方差小于阈值的时间点，由关联单元109判断出物体位置已收敛。此外，也可以由关联单元109通过事前实验预先掌握物体位置的收敛状况(例如，物体位置在从起动时起第N次收敛这一信息(其中，N为大于1的整数。))，由关联单元109判断在从物体位置推定系统起动时起第N次观测之前物体位置未收敛。此时，物体位置推定单元108具备用于掌握物体位置更新了几次的计数器。

根据以上结构，关联单元109能够在本发明所涉及的物体位置推定系统刚起动后利用第一观测装置101的输出信息求出关联值。由此，能够算出更加准确的关联值即第二ID似然度。

另外，在各实施方式中，关于作为第一观测部发挥功能的第一检测部101a、第一物体位置似然度决定单元103、第一物体ID似然度决定单元104、作为第二观测部发挥功能的第二检测部102a、第二物体位置似然度决定单元105、物体追踪状况决定单元106、第二物体ID似然度决定单元107、关联单元109和物体位置推定单元108等分别或其中的任意的一部分单元，其自身可以由软件构成。由此，例如可以将具有构成本申请说明书的各实施方式的控制动作的步骤的计算机程序以能够读取到存储装置(硬件等)等记录介质的方式进行存储，将该计算机程序读取到计算机的临时存储装置(半导体存储器等)中而利用CPU执行，由此能够执行所述的各功能或各步骤。

另外，通过将所述各种实施方式或变形例中的任意的实施方式或变形例进行适当组合，也能够发挥它们各自具有的效果。

工业上的可利用性

本发明所涉及的物体位置推定系统、物体位置推定装置、物体位置推定方法及物体位置推定程序在包括没有物体的ID识别功能的观测装置的情况下也能够进行物体的位置推定。虽然监视探头系统等逐渐普及，但通常的形态是通过保存监视区域的图像，利用人工查看来特定被拍摄体。根据本发明，若能够不基于人工进行人的特定和位置的特定，则能够提供实现人的位置或行动路线的自动取得和管理，作为安全用途以往没有的具有标签的人的管理系统而极为有用。此外，还能够应用为管理在物流现场等的集装箱等物品的位置的系统等。

本发明参照附图对优选的实施方式进行了充分记载，但对于熟悉该技术的人员来说是能够了解各种变形或变更的，当然应该理解到上述的变形或变更只要没有脱离本发明的技术方案限定的范围的情况下理应被涵盖于其中。