专利名称：信息识别装置、信息识别方法、信息识别程序以及警报系统的制作方法
技术领域：
本发明涉及有关使用了热辐射线传感器的信息处理，特别是可以根据针对被检测体的热辐射线传感器的输出，以及使用规定模型化方法的、与事先准备的分别与多个对象的动作模式(pattern)相对应的动作模式(pattern)模型，来识别有关被检测体的规定信息的信息识别装置、信息识别方法和信息识别程序、以及具有信息识别装置的警报系统。
背景技术：
以往，作为使用热电型红外线传感器等人体检测单元来判别人体的移动方向的技术，有专利文献1记载的人体移动方向判别装置。
这在具有多个人体检测范围的2个人体检测单元中的一个在多个人体检测范围内连续检测人体时，通过2个人体检测单元的哪一个利用人体移动方向判别单元检测到人体，从而判断人体的移动方向，并接收该判别输出，并由报告单元进行与判别出的人体移动方向相对应的报告。进一步，2个人体检测单元中的一个在多个人体检测范围内连续检测人体时，利用第1检测控制单元使另一方人体检测单元的检测输出在一定时间无效，并在2个人体检测单元中的一方仅仅在多个人体检测范围中的1个人体检测范围内检测到人体时，利用第2检测控制单元使另一方人体检测单元的检测输出无效。由此，可以迅速且正确地报告在人体检测范围内所检测到的人体的移动方向。
另外，以往，存在利用可检测人体的传感器来检测人已经入侵到警备目标的建筑物内的情况，并将该检测结果通知给警备员这样的防范系统。在这种防范系统中，接受到通知的警备员大多执行急忙赶往现场等对策。
专利文献1专利2766820号公报但是，在上述专利文献1的已有技术中，由于在检测范围内，仅仅根据2个人体检测单元是否检测到人体来执行判断处理等各种处理，因此，只能执行人体的移动方向这类简单的移动内容的判断。
另外，正如被称做人体检测单元那样，是将检测对象仅仅限制为人体，因此，在猫或狗等动物横穿的情况下，恐怕也会执行动作，并且，像动物等侵入到建筑物内等情况下，也不能判断被检测体的种类或人之外的移动。由于这一点在上述已有的防范系统中也可以这麽说，因此，人体检测用的传感器不进行人与猫狗等动物的判别，既便在动物侵入到建筑物内的情况下，也会判别为人侵入了建筑物，从而向警备员错误地发出通知，因此，会产生对于动物侵入，警备员也赶往现场这种无用劳力的问题。
另一方面，本发明的发明人使用热电型红外线传感器，在该传感器的检测范围内，检测出执行同一移动的多个被检测体放出的热辐射线的结果，发现在被检测体的每个种类(人、动物、性别等)、相同被检测体中各个人(例如，若是人，则A君、B君等)等中，在热电型红外线传感器的输出上存在个体差异。
因此，本发明是着眼于上述已有技术中所具有的未解决的问题，且上述热电型红外线传感器的输出特性而作出的，其目的在于提供一种信息识别装置、信息识别方法、信息识别程序以及具备该信息识别装置的防范系统，是根据热辐射线检测单元针对存在于检测范围内的被检测体的输出，以及使用规定模型化单元预先准备的、分别与对应于多个对象的动作模式的热辐射线传感器的输出相对应的动作模式模型，来识别有关被检测体的规定信息。
发明内容
为了实现上述目的，本发明技术方案1所述的的信息识别装置，其特征在于，它具有热辐射线检测单元，利用热辐射线传感器，对从存在于检测范围内的被检测体放出的热辐射线执行检测；动作模式模型存储单元，存储按照规定的模型化方法对与被检测体的动作模式相对应的所述热辐射线传感器的输出预先执行模型化而成的动作模式模型；以及，信息识别单元，根据所述热辐射线检测单元的检测结果、以及存储在所述动作模式模型存储单元内的所述动作模式模型，来识别与存在于所述检测范围内的所述被检测体有关的规定信息。
根据这种结构，利用热辐射线检测单元，借助于热辐射线传感器，可检测出从存在于检测范围内的被检测体放出的热辐射线；利用动作模式模型存储单元，可存储按照规定的模块化方法对与被检测体的动作模式相应的所述热辐射线传感器的输出预先执行模型化而成的动作模式模型；利用信息识别单元，根据所述热辐射线检测单元的检测结果、以及存储在所述动作模式模型存储单元内的所述动作模式模型，可以识别有关存在于所述检测范围内的所述被检测体的规定信息。
因此，由于根据热辐射线传感器的检测结果和动作模式模型来识别被检测体的规定信息，所以，可以识别被检测体的复杂的行动模式、被检测体的属性等各种信息。
这里，所谓被检测体如果是放出热辐射线的东西，则人、人以外的动物或虫等生物、非生物等任何都包含在内。
另外，所谓热辐射线传感器只要是检测从被检测体放出的热就都可以，例如，若是检测从被检测体放出的红外线的红外线传感器，则存在利用光电动势效果或光导电效果的量子型传感器、或者是利用了热电动势效果、热电效果或热导电效果的热型传感器等。
另外，规定的模型化方法例如有公知的HMM和神经网络等模块化方法。
另外，所谓有关被检测体的规定信息，是检测范围内的被检测体的动作内容、被检测体的属性(性别、动物、虫等)等信息。
有关技术方案2的发明，其特征在于，在技术方案1所述的信息识别装置中，在所述动作模式模型存储单元内，存储了与多种动作模式分别对应的多个动作模式模型。
即，由于能够根据分别与多种操作模式相对应的多个动作模式模型以及检测结果来执行识别处理，因此，可以识别检测范围内的被检测体的各种信息。
另外，有关技术方案3的发明，其特征在于，在技术方案1或技术方案2所述的信息识别装置中，具有动作模式模型生成单元，根据所述热辐射线传感器的输出，利用所述规定的模型化方法，来生成所述被检测体的所述动作模式模型。
即，可以利用动作模式模型生成单元，根据热辐射线传感器的输出，通过所述规定的模型化方法来生成所述被检测体的所述动作模式模型。
因此，容易追加新动作模式模型，另外，由于能够根据提供的条件生成动作模式模型，因此，对于由于识别内容的变更等引起的动作模式模型的变更等情况，可以灵活地应对。
另外，有关技术方案4的发明，其特征在于在技术方案1至技术方案3中任意一项所述的信息识别装置中，所述热辐射线传感器是热型传感器。
即，热辐射线传感器是由使用了热电元件等利用了热电动势效果的传感器、使用了PZT(锆钛酸铅)、LiTaO3(钽酸锂)等利用了热电效果的传感器、使用了热敏电阻、辐射热测量计等使用了热电偶效果的传感器等热型传感器构成。
另外，有关技术方案5的发明，其特征在于，在技术方案1到技术方案3中任意一项所述的信息识别装置中，所述热辐射线传感器是量子型传感器。
即，热辐射线传感器由使用了光二极管、光晶体管、光IC、太阳能电池等使用了光电动势效果的传感器、使用了CdS单元、CdSe单元、PdS单元等利用了光电导效果的传感器、使用了光电管、光电倍增管等利用了光电子发射效果的传感器等量子型传感器构成。
另外，有关技术方案6的发明，其特征在于，在技术方案4所述的信息识别装置中，所述热型传感器是利用热电效果来检测从所述被检测体放出的红外线的热电型红外线传感器。
即，由于将热电型红外线传感器用作热辐射线传感器，因此，能够容易地检测位于检测范围内的移动体。
另外，有关技术方案7的发明，其特征在于，在技术方案1到技术方案6中任意一项所述的信息识别装置中，所述规定的模型化方法是隐马尔可夫模型HMM(Hidden Markov Model)。
即，由于因使用作为时间序列信号的概率模型的HMM来对动作模式执行模型化，既便是非稳定的时间序列信号也可容易地执行模型化，因此，能够可靠地对被检测体的动作模式执行模型化。
另外，有关技术方案8的发明，其特征在于，在技术方案1到技术方案7中任意一项所述的信息识别装置中，所述规定信息包含所述被检测体的行动内容、所述被检测体的移动速度以及所述被检测体的大小中的至少一个。
即，由于热辐射线传感器的输出随被检测体的行动内容、移动速度、大小等而发生变化，因此，通过预先生成、准备与这些信息相对应的动作模式模型，可以识别被检测体的行动内容、移动速度、大小等。
另外，在此，所谓被检测体的行动内容，如果被检测体是人，则例如是向某方向移动、手或脚等身体中的一部分的动作(打手势等)等。
另外，所谓大小是针对被检测体的高度、宽度、长度、表面积、体积等的大小，但这并不限于被检测体全体，也可以包含针对被检测体的一部分的大小。
另外，有关技术方案9的发明，其特征在于，在技术方案1到技术方案8中任意一项所述的信息识别装置中，所述规定信息包含所述被检测体的属性信息。
即，信息识别单元可以识别检测范围内的被检测体的属性信息。
这里，所谓属性，例如从大局上来看，为人、人以外的动物(哺乳类)、虫等辐射出热的生物及由车、摩托车、窗帘、日光、灯(light)、空调等产生的热风和冷风等热的非生物等的种类信息。
窗帘的晃动、树枝或叶的晃动等不辐射热的非生物的种类的信息也包含在属性信息内。识别这种不辐射热的非生物的规定信息，可以通过与辐射热的相组合来执行。例如，可进行如下利用，在以窗帘为边界，一侧有热辐射线传感器，另一侧有热源的情况下，在热源覆盖在窗帘上时，从热源放射出的热不被传感器所检测，窗帘晃动，晒到了热源时，从热源辐射出的热被传感器检测到。通过将这种检测结果和动作模式相比较，例如，这可以判断是窗帘的晃动，还是人侵入到建筑物内。
另一方面，局部地说，若是人，则是男性、女性、大人、孩子等种类信息，若是动物，则是狗、猫、老鼠、鸟等种类信息，若是虫子，则是蝶、蜘蛛、蝗虫、兜虫、锹形虫等种类信息，还有，与这些种类相对的特有信息。另外，既便就人以外的生物而言，也可以在这些种类中进行与上述的人相同的种类划分。
并且，在将属性信息作为特有信息的情况下，若是人则可执行个人的识别，若是虫或动物，则可执行个体的识别。
另外，有关技术方案10的发明，其特征在于，在技术方案1至技术方案9中任意一项所述的信息识别装置中，所述信息识别单元从所述热辐射线检测单元的检测结果中提取出特征量数据，并根据该特征量数据和存储在所述动作模式模型存储单元内的所述动作模式模型，来计算所述特征量数据和所述动作模式模型的似然，然后根据该计算出的似然来识别与所述被检测体有关的规定信息。
即，由于计算出特征量数据和所述动作模式模型的似然，并根据该结果来识别有关被检测体的规定信息，因此，可简易地识别规定信息。
另外，有关技术方案11的发明，其特征在于，在技术方案10所述的信息识别装置中，所述特征量数据包含由所述热辐射线检测单元的检测结果的帧单位的谱构成的第1特征量数据、以及由所述帧单位的谱的平均振幅值构成的第2特征量数据。
即，由于对于由检测结果的帧单位的谱构成的第1特征量数据、和由该帧单位的谱的平均振幅值构成的第2特征量数据，计算出它们与所述动作模式模型的似然，并根据该计算出的结果来识别有关被检测体的规定信息，因此，可以提高规定信息的识别精度。
另外，有关技术方案12的发明，其特征在于，在技术方案11所述的信息识别装置中，所述第1特征量数据是将所述帧单位的谱的值转换为常用对数值后的数据。
即，由于使用将所述帧单位的谱值转换为常用对数值的数据来作为第1特征量数据，因此，若谱值不满1，则其分散范围变宽，若为1或1以上，则其分散范围变窄。由此，利用条件可以进一步提高规定信息的识别精度。
另外，有关技术方案13的发明，其特征在于，在技术方案11或技术方案12所述的信息识别装置中，所述特征量数据还包含第3特征量数据，该第3特征量数据由所选帧的所述第1特征量数据所示的特征量与所选帧的前1帧的所述第1特征量数据所示的特征量的差分构成。
即，由于除第1和第2特征量数据之外，还使用了由所选帧的所述第1特征量数据所示的特征量与该所选帧的前1帧的所述第1特征量数据所示的特征量的差分构成的第3特征量数据，来执行规定信息的识别，由此可以进一步提高规定信息的识别精度。
另外，有关由于技术方案14的发明，其特征在于，在技术方案13所述的信息识别装置中，所述特征量数据还包含第4特征量数据，该第4特征量数据由所选帧的所述第2特征量数据所示的特征量与所选帧的前1帧的所述第2特征量数据所示的特征量的差分构成。
即，由于除第1-第3特征量数据之外，还使用了第4特征量数据来执行规定信息的识别，由此可进一步提高规定信息的识别精度。其中，第4特征量数据是由所选帧的所述第2特征量数据所示的特征量、与该所选帧的前1帧的所述第2特征量数据所示的特征量的差分构成。
另外，有关技术方案15的发明，其特征在于，在技术方案1到技术方案14中任意一项所述的信息识别装置中，在所述动作模式模型由4元以上的高次元的所述特征量数据构成时，具有特征量数据显示单元，将与存储在所述动作模式模型存储单元内的各动作模式模型相对应的所述特征量数据显示为2维或3维空间上的座标点；以及检测结果显示单元，在显示了所述特征量数据的座标点的空间上，显示与所述热辐射线检测单元的检测结果相对应的座标点。
即，所述动作模式模型在由4维和4维以上的高维的特征量数据构成时，可以利用特征量数据显示单元，将与存储在所述动作模式模型存储单元内的各动作模式模型相对应的特征量数据显示为2维或3维空间上的座标点，并可利用检测结果显示单元，在显示了所述特征量数据的座标点的空间上，显示与所述热辐射线检测单元的检测结果相对应的座标点。
因此，使检测结果与同其他多个被检测体的动作模式相对应的特征量数据相对比，可以在视觉上捕捉到它，从而可以利用视觉来识别规定信息等。
另外，有关本发明的技术方案16记载的信息识别方法，其特征在于利用热辐射线传感器来检测从存在于检测范围内的被检测体放出的热辐射线；准备根据规定的模型化方法、对与多个被检测体的多种动作模式分别对应的所述热辐射线传感器的输出预先执行模型化而成的动作模式模型；以及根据所述热辐射线传感器的检测结果和所述动作模式模型，来识别与存在于所述检测范围内的所述被检测体有关的规定信息。
这里，本发明可以利用技术方案1所记载的信息识别装置等来实现，由于其效果重复，因此省略其记载。
另外，有关本发明的技术方案17所述的信息识别程序，其特征在于，具有热辐射线检测步骤，利用热辐射传感器来检测从存在于检测范围内的被检测体放出的热辐射线；动作模式模型存储步骤，存储根据规定的模型化方法、对与多个被检测体的多种动作模式分别对应的所述热辐射线传感器的输出预先执行模型化而成的动作模式模型；以及信息识别步骤，根据由所述热辐射线检测步骤所得到的检测结果、以及在所述动作模式模型存储步骤中所存储的所述动作模式模型，来识别与存在于所述检测范围内的所述被检测体有关的规定信息。
这里，本发明是可应用于技术方案1所记载的信息识别装置的程序，由于其效果重复，因此，省略其记载。
另一方面，为达到上述目的，技术方案18所述的警报系统，其特征在于，其具有如权利要求1至权利要求15中任意一项所述的信息识别装置；判断单元，根据所述信息识别装置的识别结果来判断所述被检测体是否是人；以及警报单元，在利用所述判断单元判断出所述被检测体是人时发出警报。
根据这种结构，可利用判断单元，根据信息识别装置的识别结果来判断所述被检测体是否是人，在由警报单元判断出被检测体是人体时，可以发出报警。
因此，由于根据可识别被检测体的复杂的行动模式、被检测体的属性等各种信息的信息识别装置的识别结果，来判断人和人以外的动物等，因此，在将本系统应用到建筑物的警备上的情况下，可以降低将进入建筑物内的人之外的动物等的侵入误判为人侵入而发出警报的情况。
这里，上述所谓“发出警报”包含或是从扬声器等发出基于语音的警告消息，或是从扬声器连续输出峰鸣声等特殊声音等的、作为对侵入者发出威吓或警告的警报，以及，利用语音和画面显示等向系统使用者直接通知人侵入到建筑物内这种针对危险向系统使用者发出的警报。另外，所谓针对侵入者的警报、以及针对系统使用者的警报，既可以包含这两者而构成，也可以包含任何一方而构成。
图1是表示关于本发明信息识别装置的结构的方框图。
图2(a)是表示信息识别装置1的设置位置的图，图2(b)是表示热电型红外线传感器10a的检测范围的图，图2(c)是表示检测对象的动作模式的图。
图3是表示热电型红外线传感器10a的输出波形和动作模式模型的关系图。
图4是表示红外线检测部10的动作处理的流程图。
图5是表示动作模式模型生成部11的动作处理的流程图。
图6是表示识别处理部13的动作处理中的流程图。
图7是表示实施例中动作方向的识别结果的图。
图8是表示将检测范围20细分为小范围的一个例图。
图9(a)和9(b)是表示在识别时作为被检测体的狗的信息的图。
图10(a)是表示人(区分大人和孩子)与狗(区分大型犬和小型犬)的识别结果的图，图10(b)是表示人(不区分大人和孩子)与狗(不区分大型犬和小型犬)的识别结果的图。
图11是表示第3实施例中的动作方向的识别结果的图。
图12(a)和(b)是表示第4实施例中动作方向的识别结果的图。
图13是表示二维投影后的动作模式模型的显示例的图。
图14是表示二维投影部14的动作处理的流程图。
图15是表示关于本发明第4实施方式的警报系统的结构的方框图。
图16是表示发报控制部50的动作处理的流程图。
具体实施例方式
(第1实施方式)以下，将根据附图来说明本发明的第1实施方式。图1-图6是表示有关本发明的信息识别装置的第1实施方式的图。
首先，根据图1来说明有关本发明第1实施方式的信息识别装置的结构。图1是表示有关本发明第1实施方式的信息识别装置的结构的方框图。
如图1所示，信息识别装置1具有包含红外线检测部10、动作模式模型生成部11、动作模式模型存储部12、以及识别处理部13的结构。
红外线检测部10具有包含热电型红外线传感器10a以及信号处理部10b的结构。
热电型红外线传感器10a是可利用热电效果，来检测从存在于检测范围内的被检测体放出的红外线的传感器。
信号处理部10b具有以下功能针对从热电型红外线传感器10a输出的检测结果的模拟信号，执行采样、FFT(快速傅利叶变换)等信号处理，然后计算出检测结果的特征量数据。
动作模式模型生成部11具有以下功能使用HMM，对从红外线检测部10获取到的特征量数据执行模型化，生成动作模式模型。
动作模式模型存储部12具有以下功能对上述生成的动作模式模型执行存储。
识别处理部13具有以下功能根据动作模式模型存储部12的存储内容、以及从红外线检测部10获取到的红外线检测结果的特征量数据，来识别存在于热电型红外线传感器10a的检测范围内的被检测体的动作模式信息以及属性信息。
这里在本实施方式中，信息识别装置1具有图中未示出的处理器、RAM(随机存取存储器)、以及存储了专用程序的存储介质。通过利用处理器来执行专用程序，从而执行上述各部的控制。
所谓存储介质是RAM、ROM等半导体存储介质、FD、HD等磁存储型存储介质，CD、CDV、LD、DVD等光学读取方式存储介质、MO等磁存储型/光学读取方式存储介质，不论是电子、磁、光学等读取方法的哪一种，只要是计算机可读取的存储介质，就包含该所有的存储介质。
另外，根据图2-图5来说明信息识别装置1的更具体的动作。图2(a)是表示信息识别装置1的设置位置的图，(b)是表示热电型红外线传感器10a的检测范围的图，(c)是表示检测对象的动作模式的图，图3是表示热电型红外线传感器10a的输出波形和动作模式模型的关系的图。
首先，如图2(a)所示，将信息识别装置1设置为将作为其组件的热电型红外线传感器10a安装在室内等天棚上，检测从在该检测范围20内通过的被检测体放出的红外线。然后，根据从在检测范围内通过的被检测体所检测到的红外线的检测结果，来识别该被检测体的动作模式和属性。
进而，在本实施方式中，热电型红外线传感器10a使用了将在4个热电元件用16面的菲涅耳透镜进行投影，从而扩大检测范围的物品。该检测范围20如图2(b)所示，将横轴设为x轴，将纵轴设为y轴，形成x方向约6m，y方向约7m的范围。即，如图2(b)所示，能够检测到来自通过位于所述范围内的多个检测地带的任何一个的被检测体的红外线。
进而，在本实施方式中，作为被检测体的动作模式，我们考虑以下情况如图2(c)所示，在(1)-(8)的各方向上，在被检测体从检测范围20之外走路通过该检测范围20。
这里，在本实施方式中，预先请多个被检测体(在本实施方式中是人)执行上述8个动作模式的行动(例如，请同一人平均执行5次各行动)，在信号处理部10b中，对来自从这些动作模式的行动得到的热电型红外线传感器10a的检测结果执行信号处理，计算出特征量数据，通过动作模式模型生成部12，利用HMM对与各动作模式相对应的特征量数据执行模型化。
另外，在本实施方式中，在信号处理部10b上，如图3所示，以100[ms]的间隔，对来自热电型红外线传感器10a的数据时间长为10[s]的模拟输出信号30执行采样，进而，通过对这些采样数据执行A/D转换，从而将该模拟输出信号30转换为数字数据。然后，将该100[ms]间隔的采样数据分割为以1.6[s]为单位的多个帧31。然后，针对以各帧31为单位的采样数据执行FFT，将这些采样数据展开为傅利叶级数，计算出各高次谐波的谱(图3中的谱32)。另外，在各帧31中，分别对应16个采样数据，帧间的重叠设为12个采样数据。另外，在本实施方式中，将各帧31的上述谱32的前8个设为第1特征量数据，进一步对每一个帧计算出平均振幅电平，并将其设为第2特征量数据。
另外，在本实施方式中，动作模式模型生成部11从红外线检测部10获取第1和第2特征量数据，并使用这些特征量数据，作成图3所示的HMM33。
这里，HMM33将第1特征量数据设定第1参数，将第2特征量数据设为第2参数。之后，将内部状态数设定S1-S55个状态，并使用单一的高斯分布(single Gaussian)作为各参数的概率分布。进而，在HMM3的学习中，使用针对各属性的各动作模式每一个各执行了5次的行动模式的数据，对属性中每一个执行各动作模式的模型化。另外，就利用HMM进行的学习而言，使用公知的方法。
在本实施方式中，请被检测体A-Q的17个人物分别各执行5次上述8个动作模式的行动，并生成与各被检测体的每一个相对应的8个动作模式的动作模式模型。
进而，将在动作模式模型生成部11中生成的动作模式模型与被检测体的属性(例如，姓名)以及动作模式的内容相对应起来，存储到动作模式模型存储部12中。
这样一来，一旦生成作为检测对象的多个被检测体的动作模式模型完毕，则之后，在识别处理部13中，根据来自红外线检测部10的信号处理结果，来执行被检测体的动作模式以及属性的识别处理。
例如，设被检测体A在检测范围20内沿着图2(c)所示(6)的方向走步通过。由此，热电型红外线传感器10a检测被检测体A的红外线，并输出根据该检测结果的模拟信号。该模拟信号被输入到信号处理部10b内，并被执行上述的信号处理，之后，将该处理结果输入到识别处理部13内。
在识别处理部13中，从针对被检测体A的动作的上述信号处理结果中提取出上述同样的特征量数据，并根据该特征量数据、和存储在动作模式模型存储部12内的动作模式模型，来识别被检测体A的动作模式和属性。
在本实施方式中，使用公知的维特比算法，通过从存储在动作模式模型存储部12内的动作模式模型中，检测出具有其中状态转移序列是以最高概率生成针对被检测体A的动作的特征量数据序列(也叫做观测序列)而得的状态转移序列的模型，来识别被检测体A的动作模式和属性。另外，对使用了上述维特比算法的检测方法而言，使用了公知的方法。
如上所述，通过利用维特比算法，由于在检测出与最大概率的状态转移序列相对应的动作模式模型后，在该动作模式模型内，如上所述预先将动作模式的内容和属性对应起来，因此，能够识别在检测范围内通过的被检测体A的动作内容(在(6)的方向上走步通过等)，进而，也能够识别通过的被检测体是A。该识别结果例如被输出到将该识别结果显示于显示部的显示处理部、利用识别结果执行某种处理的应用程序等信息处理单元等中。
进而，根据图4来说明红外线检测部10的动作处理的流程。图4是表示红外线检测部10的动作处理的流程图。
如图4所示，首先，转移到步骤S100，在热电型红外线传感器10a中，将传感器的模拟输出信号输入到信号处理部10b，之后，转移到步骤S102。
在转移到步骤S102的情况下，在信号处理部10b中，按照规定时间间隔(例如100ms)对获取到的模拟输出信号执行采样处理，然后转移到步骤S104。
在步骤S104中，在信号处理部10b中，对采样结果执行A/D转换处理，然后转移到步骤S106。
在步骤S106中，在信号处理部10b中，根据经过采样处理和A/D转换处理的热电型红外线传感器10a的输出信号，来判断在该输出信号是否有变化，在判断为有变化的情况下(Yes)，转移到步骤S108，在没有的情况下(No)，转移到步骤S110。
在转移到步骤S108的情况下，在信号处理部10b中，将经过上述A/D转换的输出信号保存到由未图示的RAM等构成的存储部内，然后转移到步骤S100。
在移动到步骤S110的情况下，在信号处理部10b中，判断在上述存储部内是否有保存数据，在判断为有的情况下(Yes)，转移到步骤S112，在判断为没有的情况下(No)，转移到步骤S100。
在步骤S112中，在信号处理部10b中，针对保存在上述存储部内的数据，按规定时间单位(例如1.6s)来执行帧分割处理，然后转到步骤S114。
在步骤S114中，在信号处理部10b中，对每个帧单位执行FFT，根据该FFT的结果计算出各高次谐波的谱，进一步，计算出每个帧单位的平均振幅，然后转到步骤S116。
在步骤S116中，在红外线检测部10中，判断动作模式是否是动作模式模型的生成模式，在判断为是动作模式模型的生成模式的情况下(Yes)，转移到步骤S118，在不是的情况下(No)，转移到步骤S120。
这里，在本实施方式中，可以设定动作模式模型的生成模式与信息识别模式2种模式，在设定为动作模式模型的生成模式情况下，将红外线检测部10的信号处理结果输入到动作模式模型生成部11内，另一方面，在设定为信息识别模式的情况下，将红外线检测部10的信号处理结果输入到识别处理部13内。
在转移到步骤S118的情况下，在红外线检测部10中，将上述信号处理结果输入到动作模式模型生成部11内，然后转移到步骤S100。
另一方面，在转移到步骤S120的情况下，在红外线检测部10中，将上述信号处理结果输入到识别处理部13，然后转移到步骤S100。
进一步，根据图5来说明动作模式模型生成部11的动作处理的流程。图5是表示动作模式模型生成部11的动作处理的流程。
如图5所示，首先，转移到步骤S200，并判断是否获取到来自红外线检测部10的信号处理结果，在判断为已经获取到的情况下(Yes)，转移到步骤S202，在判断为没有的情况下(No)，待机直到获取到为止。
在步骤S202中，根据上述获取到的信号处理结果，使用HMM来生成动作模式模型，然后转移到步骤S204。
在步骤S204中，在生成的动作模式模型内将动作内容和属性信息对应起来，然后转移到步骤S206。
在步骤S206中，将对应起来动作内容和属性信息的动作模式模型存储到动作模式模型存储部12内，然后结束处理。
另外，根据图6来说明识别处理部13的动作处理的流程。图6是表示识别处理部13的动作处理的流程图。
如图6所示，首先，转移到步骤S300，判断是否从红外线检测部10获取到信号处理结果，在判断为已经获取到的情况下(Yes)，转到步骤S302，在判断为没有的情况下(No)，待机直到在获取到为止。
在步骤S302中，从动作模式模型存储部12中读出动作模式模型，然后转移到步骤S304。
在步骤S304中，根据读出的动作模式和上述获取到的信号处理结果，使用维特比算法，检测出具有为最大概率的状态转移序列的动作模式模型，然后转移到步骤S306。
在步骤S306中，根据被检测出的动作模式模型，执行识别处理，并转移到步骤S308。这里，所谓识别处理，如上所述，就是读取与动作模式模型相对应起来的动作内容和属性信息。
在步骤S308中，将上述识别结果输出到应用程序等信息处理单元内，然后结束处理。
以上，利用红外线检测部10检测在检测范围20内的多个被检测体的红外线，并且对检测结果的输出信号执行信号处理，利用动作模式模型生成部11，从所述经过信号处理的检测结果中，利用HMM生成与各被检测体的动作模式内容和被检测体的属性相对应的动作模式模型，然后将其存储到动作模式模型存储部12内。
另外，利用识别处理部13，可以根据利用红外线检测部10所得到的在检测范围20内动作的被检测体的红外线检测结果、以及存储在动作模式模型存储部12内的动作模式模型，来识别被检测体的动作模式及其属性。
这里，图1所示的红外线检测部10与技术方案1、10和11中任意一项所记载的热辐射线检测单元相对应，动作模式模型生成部11与技术方案3记载的动作模式模型生成单元相对应，动作模式模型存储部12与技术方案1、2和10中任意一项所述的的动作模式模型存储单元相对应，识别处理部13与技术方案1或10记载的信息识别单元相对应。
(第1实施例)另外，根据图7和图8来说明第1实施例，该实施例用于将上述第1实施方式中的信息识别装置1应用于在上述同样的检测范围20内通过了被检测体A-Q之后的情况的上述(1)-(8)的8个动作方向的识别。这里，图7是表示第1实施例中的动作方向的识别结果的图。图8是表示将检测范围20细分为更小范围的一个例子的图。
在本实施例中，使用与上述第1实施方式相同的特征参数，生成5种状态的HMM。这里，使用了请被检测体A-Q的17人执行了5次上述实施方式(1)-(8)的8个方向的动作所得到的数据，来生成HMM。但是，在本实施例中，在生成各动作模式的每一个的HMM时，无视被检测体的属性，进一步在生成各方向的动作模式模型中，使用了针对17人的各方向的5次试行的所有数据(17名×5次共85个)。
即，在上述实施方式中，在各方向的动作模式模型的生成中使用了各属性中的每一个的5个数据，来生成各被检测体专用的HMM，对此，在本实施例中，使用17人的各方向中的每一个方向的所有数据，生成与不特定多数的被检测体的各方向动作相对应的HMM。
然后，在上述第1实施方式的信息识别装置1中，使用上述生成的动作模式模型，使由于被检测体A-Q通过检测范围20而引起的动作方向的平均识别率，如图7所示，在考虑同线错误时为73.3％，在忽略同线错误时为88.7％。
另外，在上述实施方式和实施例中，针对检测范围20的全体生成动作模式模型，由此，来识别上述(1)-(8)的8个方向，但是，并不限于此，如图8所示，通过将检测范围20细分为小范围，针对每个划分生成各方向的动作模式模型，来组合这些动作模式模型，从而，能够识别被检测体的在检测范围20内的各种动作内容。
(第2实施例)进一步，根据图9和图10，来说明将上述第1实施方式中的信息识别装置1应用到用于识别人和人之外的动物的第2实施例。
这里，图9(a)和9(b)是表示在识别时作为被检测体的狗的信息的图。另外，图10(a)是表示人(区分大人和孩子)和狗(区分大型犬和小型犬)的识别结果的图，(b)是表示人(不区分大人和孩子)和狗(不区分大型犬和小型犬)的识别结果的图。
在本实施例中，作为被检测体，选择42个人(大人36人，小孩6人(幼儿园儿童))、以及狗12条(大型犬5条，小型犬7条)，针对这些被检测体，使用各执行了50次上述第1实施方式中的(1)-(8)的8个方向的动作所得到数据，来生成HMM。这里，在生成HMM中，计算出将上述第1实施方式中的第1特征参数转换为常用对数值的值，以及上述第1实施方式中的第2特征参数来使用，并设HMM的内部状态数为7个状态。
这里，大型犬、小型犬的判别如图9(b)所示，在从作为被检测体所选择的狗中，将包含身高63厘米、体长80厘米的拉布拉多猎狗在内比其大的狗定义为大型犬，另一方面，将包含身高40厘米、体长40厘米的小长卷毛狗在内比其还小的犬称为小型犬。另外，身高和体长如图9(a)所示，是狗站立的状态下，从地面到身体最高位置的部分的高度，体长是在狗站立的状态下，从鼻子到尾巴的长度。
在本实施例中，使用上述36名大人的动作数据生成的大人用的动作模式模型、使用上述6名孩子的动作数据生成的孩子用的动作模式数据、使用上述5条大型犬的动作数据生成的大型犬用的动作模式模型、以及使用上述7条小型犬的动作数据生成的小型犬用的动作模式模型共4种模型，利用上述4种模型来执行识别处理。而且各动作模式模型，由与各行动模式相对应的8个HMM构成。另外，在各模型生成中，学习数据(动作数据)对各行动模式中的每一个仅仅使用50次中的10次，剩余的40次设定为识别处理中所用的评估数据。
于是，关于对人区分大人和孩子，并且关于对狗区分大型犬和小型犬，在信息识别装置中，使用上述生成的动作模式模型执行各被检测体的动作方向的识别处理，其结果如图10(a)所示，对大人的平均识别率为93.9％，对孩子的平均识别率为91.1％，对大型犬的平均识别率为61.9％，对小型犬的平均识别率为79.5％，这些的平均识别率为81.6％。由该结果可见，由于大型犬的识别率相比其他明显降低，因此，尽管大人和孩子的平均识别率都超过90％，但是，整体的平均识别率为81.6％，大大低于90％。
另一方面，关于对人不区分大人和孩子，并且对狗不区分大型犬和小型犬，在信息识别装置1中，执行各被检测体的动作方向的识别处理，其结果如图10(b)所示，对大人的平均识别率为99.6％，对孩子的平均识别率为98.4％，对大型犬的平均识别率为96.4％，对小型犬的平均识别率为94.8％，它们的平均识别率为97.3％。由该结果可见，在区分大型犬和小型犬的情况下，大型犬的识别率低的理由理解为其大部分误识别了大型犬和小型犬。于是，由于大型犬的识别率跳跃地提升了，因此，整体的平均识别率大幅提升到97.3％。由此，理解为在本发明的信息识别装置1中，就人和狗(人以外的动物)的识别能够以高概率进行识别。
(第2实施方式)进一步，对本发明的第2实施方式进行说明。图11和图12是表示本发明信息识别装置的第2实施方式的结果的图。
与上述第1实施方式不同之处在于，作为用于模型化或识别处理的特征量数据，除了使用上述第1实施方式中的第1和第2特征量数据之外，还使用了根据这些第1和第2特征量数据计算出的第3和第4特征量数据。因此，在与上述第1实施方式相同的结构中，由于动作模式模型的生成方法和识别处理方法有一部分不同，因此，以下就与上述第1实施方式重复的部分，使用同样的附图来进行说明。
在本实施方式中，与上述第1实施方式相同，在信号处理部10b中，如图3所示，以100[ms]的间隔，对来自热电型红外线传感器10a的数据时间长10[s]的模拟输出信号30进行采样，进一步通过对这些采样数据执行A/D转换，从而将该模拟输出信号30转换为数字数据。然后，将该100[ms]间隔的采样数据分割为以1.6[s]为单位的多个帧31。之后，对各帧31为单位的采样数据执行FFT，并将这些采样数据展开为傅利叶级数，然后，计算出各高次谐波的谱(图3中的谱32)。并且，各帧31中，分别对应了16个采样数据，帧间交叠设为12个采样数据。另外，在本实施方式中，针对各帧31的上述谱32的前8个，将其值转换为常用对数值(logN)所得值，作为第1特征量数据，进而，对各帧中的每一个计算出平均振幅电平，将它作为第2特征量数据，将针对全部帧31中所选择的各帧31的第1特征量数据的数值、与针对其前1帧31的第1特征量数据的数值的差分作为第3特征量数据，将针对全部帧31中所选择的各帧31的第2特征量数据的数值与针对其前1帧31的第2特征量数据数值的差分作为第4特征量数据。
另外，在本实施方式中，动作模式模型生成部11从红外线检测部10获取第1-第4特征量数据，使用这些特征量数据来作成HMM。这里，在生成HMM中，将第1-第4特征量数据设为第1-第4参数，将内部状态数设为S1-S7共7个状态，使用单一的高斯分布作为各参数的概率分布。例如，在HMM的学习中，与上述第1实施方式相同，使用针对为各属性的各动作模式中的每一个各执行了5次的行动模式的数据，然后对各属性中的每一个执行各动作模式的模型化。
进一步，使在动作模式模型生成部11内生成的动作模式模型与被检测体的属性(例如姓名)以及动作模式的内容相对应起来，存储在动作模式模型存储部12内。
由此，当生成作为检测对象的多个被检测体的动作模式模型完毕，则以后在识别处理部13中，根据来自红外线检测部10的信号处理结果，执行被检测体的动作模式和属性的识别处理。
接下来，就上述图4中的流程图中的、与上述第1实施方式不同的处理内容的步骤S114进行说明。
在步骤S114中，在信号处理部10b中，对每帧单位执行FFT，根据该FFT的结果计算各高次谐波的谱，并根据该计算出的谱来计算第1-第4的特征量数据，然后转到步骤S116。
这里，在本实施方式中，将各高次谐波的谱值转换为常用对数值来生成第1特征量数据，并计算各谱的每个帧单位的平均振幅作为第2特征量数据；对于所有帧，计算针对所选择的帧的第1特征量数据与针对其前1帧的第1特征量数据的差分作为第3特征量数据；对于所有帧，计算针对所选择的帧的第2特征量数据与针对其前1帧的第2特征量数据的差分作为第4特征量数据。
以上，可利用红外线检测部10来检测在检测范围20内的多个被检测体的红外线，并且对检测结果的输出信号执行信号处理，利用动作模式模型生成部11，根据经过所述信号处理的检测结果，利用HMM生成与各被检测体的动作模式内容和被检测体的属性相对应的动作模式模型，并将其存储到动作模式模型存储部12内。
另外，在动作模式模型生成部11中，可使用上述第1-第4特征量数据来生成动作模式模型。
另外，可利用识别处理部13，根据利用红外线检测部10在检测范围20内动作所得的被检测体的红外线检测结果、与存储在动作模式模型存储部12内的动作模式模型，来识别被检测体的动作模式及其属性。
这里，如图1所示，红外线检测部10与技术方案1、10和11中任意一项所述的热辐射线检测单元相对应，动作模式模型生成部11与技术方案3所述的动作模式模型生成单元相对应，动作模式模型存储部12与技术方案1、2以及10中任意一项所述的动作模式模型存储单元相对应，识别处理部13与技术方案1或技术方案10所述的信息识别单元相对应。
(第3实施例)进一步，根据图11来说明在将上述第2实施方式的信息识别装置应用于下述情况的第3实施例。即在与上述第1实施方式相同的检测范围20内通过了被检测体A-Q的情况下，识别上述(1)-(8)共8个动作方向。这里，图11是表示第3实施例中的动作方向的识别结果。
在本实施例中，使用与上述第2实施方式相同的特征参数，生成内部状态数目为7的HMM。这里也使用使被检测体A-Q的17人各执行5次上述(1)-(8)共8个方向的动作所得的数据，来生成HMM。但是，在本实施例中，在生成各动作参数的每一个的HMM时，忽略被检测体的属性，进而，在生成各方向的动作模式模型中，使用了针对17人的各方向的5次试行的全部数据(17人×5次共85个)。
即，在上述第2实施方式中，在生成各方向的动作模式模型中，使用每个属性的5个数据，来生成各被检测体专用的HMM，与此相对，在本实施例中，使用17人的各个方向中的每一个方向的所有数据，来生成与不特定多数的被检测体的各方向动作相对应的HMM。
然后，在上述第2实施方式的信息识别装置1中，使用上述生成的动作模式模型来执行由于被检测体A-Q通过检测范围20而引起的动作方向的识别处理，其结果如图11所示，平均识别率在考虑同线错误时为90.3％，在忽略同线错误时为97％。在上述第1实施例中，考虑了同线错误的情况下为73.7％，在忽略了同线错误的情况下为88.7％，因此，通过在动作模式模型的生成和识别处理中，导入在上述第2实施方式中说明过的第3和第4参数，从而可以说与所述第1实施例中的图7所示的识别结果相比较，识别率大幅提高了。
(第4实施例)进一步，根据图11来说明在将上述第2实施方式中的信息识别装置1应用于下述情况的第4实施例。即在与上述第1实施方式相同的检测范围20内通过了被检测体A-Q的情况下，识别上述(1)-(8)共8个动作方向。这里，图12(a)和(b)是表示第4实施例中动作方向的识别结果的图。
在本实施例中，使用与上述第2实施方式相同的特征参数，来生成内部状态数为7的HMM。这里，使用使由从被检测体A-Q的17人中选出的3人各执行50次上述(1)-(8)共8个方向的动作所得到的数据来生成HMM。另外，在本实施例中，在生成各动作模式中的每一个的HMM时，考虑被检测体的属性，进而，在生成各方向的动作模式模型中，使用针对A-C各个人在各个方向上的50次试行的所有数据(3人×50次×8个方向共计1200个)，针对A-C各个人，生成上述(1)-(8)的各方向的8个HMM，将这些各个人中每一个人的8个HMM设为各个人的动作模式数据。
之后，在上述第2实施方式的信息识别装置1中，使用上述生成的动作模式模型来执行由于被检测体A-C在检测范围20内通过而引起的动作方向的识别处理，其结果如图12(a)所示，A的平均识别率为96.3％，B的平均识别率为93.5％，C的平均识别率为90.5％，它们的平均识别率为93.4％。即，可了解到平均后变为90％以上的高识别率，即便在各动作方向的识别中加入对各个人中每个人的识别，本发明也是有效的。
然而，在忽略动作方向而在检测范围20内对是A-C中哪一个通过进行识别，其结果如图12(b)所示，A的平均识别率为96.5％，B的平均识别率为97.8％，C的平均识别率为96.8％，它们的平均识别率变为96.8％。即，正如看图12(a)所能了解到的那样，由于在动作方向的识别上存在个人差，所以通过忽略动作方向能够以相当高的识别率识别出通过者是谁，因此，可以说本发明在个人识别上是非常有效的。
另外，被检测体A-C的身高和体重为A“165厘米，64公斤”、B“177厘米，68公斤”、C“182厘米，68公斤”，由于在各自脚步不同，因而会考虑随着体型和脚步的不同，在每个人上产生差异。
(第3实施方式)进一步根据附图来说明本发明第3实施方式。图13和图14是表示有关本发明信息识别装置的第3实施方式的图。
在本实施方式中，将上述第1和第2实施方式中的信息识别装置1构成为能够将针对识别对象的动作的特征量数据、以及用于生成存储在上述动作模式模型存储部12内的动作模式模型时的特征量数据显示为二维空间上的座标点。该情况下，向上述第1和第2实施方式中的图1所示的信息识别装置1内追加了例如二维投影部和信息显示部。
在此二维投影部具有以下功能根据生成动作模式模型时的特征量数据(以下，称为第1特征量数据)、以及从红外线检测部10获取到的信号处理结果的特征量数据(以下，称为第2特征量数据)，计算出第1特征量数据相互间的数学距离，以及第1特征量数据和第2特征量数据间的数学距离。进一步根据这些计算出的数学距离，在保持了所述计算出的数学距离的关系的状态下，将多维特征量数据投影为二维座标信息。
这里，在本实施方式中，计算各特征量数据相互间的欧几里得(Eudidean)距离作为数据距离。
另外，特征量数据如上所述具有多维(4维或者4维以上)的信息的数据，在本实施方式中，二维投影部使用公知的Sammon法(参见Jon W.Sammon，JR.“A Nonlinear Mapping for Data StructureAnalysis”，IEEE Trans.Computers，Vol.C-18，No.5，May 1969)，将多维信息投影为二维信息。
进一步，信息显示部具有表示二维投影部的投影结果的信息的功能。
以下，根据图13来说明具体的动作。图13是表示二维投影化后的特征量数据的一个显示例的图。这里，作为上述第1特征量数据，使用上述第1实施方式中的A-Q各个人的针对上述(1)-(8)的行动模式的各5次试行的数据。因此，针对某1行动模式，对A-Q的各人中的每一个人二维投影显示5个特征量数据(图9中的相同形状的座标点)。
二维投影部首先计算针对上述A-Q的5次试行的行动模式的第1特征量数据相互间的数学距离(按每次试行进行计算)，并将其存储在图中未示出的数据存储部内。
然后一旦从红外线检测部10获取到信号处理结果(第2特征量数据)，则根据该特征量数据和针对A-Q的5次试行的特征量数据，计算出第2特征量数据和第1特征量数据之间的数学距离。进而，读出存储在上述数据存储部内的、针对A-Q的第1特征量数据相互间的数学距离，并针对它和第1特征量数据与第2特征量数据间的数学距离，使用上述的Sammon方法，在维持了这些数学距离关系的状态下，对各特征量数据执行二维投影。这里，利用进行二维投影所生成的座标信息被输入到信息显示部内。
在信息显示部中，如图9所示，利用随各属性中每一个的不同的形状的座标点来显示所获取的座标信息。这里，图9中的40是第2特征量数据的座标。另外，在图4中41的框内，显示了各座标点的形状和A-Q的关系。如图9所示，第2特征量数据(星形的座标点)被表示在最接近A的涂黑的菱形的位置上。因此，看到由于进行二维投影所得到的座标点的显示内容，可得知检测结果最接近属性A。即，操作员等可以看着座标点的显示内容，来识别或预测横穿过检测范围20的识别对象的属性(该情况下是A)。
另外，将存在于由于进行二维投影所产生的座标点相同的位置上的人物之间设为1个种类，通过使用HMM来生成动作模式模型，从而可以实现人物的种类分类。种类可以是各种各样的，可以按脚步、体形、行走速度、行走方向等以存在于相同位置上的人物所共用的特征来区分。另外，并不限于人物，也可以应用于发出红外线的所有物体，也可以应用于区分人物和动物、区分动物之间等。
进而，根据图14来说明二维投影部的操作处理的流程。图14是表示二维投影部的动作处理的流程图。
如图14所示，首先，转移到步骤S400，判断是否获取到红外线检测部10的信号处理结果，在判断为获取到的情况下(Yes)，转移到步骤S402，在没有的情况下(No)，转移到步骤S410。
在转移到步骤S402的情况下，从动作模式模型存储部12中读出特征量数据，然后转移到步骤S404。即，在动作模式存储部12内存储了第1特征量数据。
在步骤S404中，根据上述读出的特征量数据以及信号处理结果的特征量数据来计算两者的数学距离，然后转移到步骤S406。
在步骤S406中，根据预先存储在数据存储部内的特征量数据相互间的数学距离和上述计算出的数学距离，使用Sammon方法，在保持了该数学距离关系的状态下，对特征量数据执行二维投影处理，然后转移到步骤S408。
在步骤S408中，将投影结果的信息输入到信息显示部，然后转移到步骤S400。
另一方面，在步骤S400中没有获取信号处理结果而转移到步骤S410的情况下，判断是否获取到第1特征量数据，在判断为已经获取到的情况下(Yes)，转移步骤S412，在判断为没有(No)的情况下，转移步骤S400。
在转移到步骤S412的情况下，计算出特征量数据相互间的数学距离，然后转移到步骤S414。
在步骤S414中，向数据存储部存储上述计算出的数学距离，然后转移到步骤S400。
这里，本发明中的由二维投影部和信息显示部所执行的二维座标的显示处理，与技术方案15所述的数据量数据显示单元和检测结果显示单元相对应。
(第4实施方式)进一步，根据
本发明的第4实施方式。图15及图16是表示有关本发明的信息识别装置的第4实施方式的图。
本实施方式是具有上述第1和第2实施方式中的信息识别装置1的警报系统的实施方式，是一种在信息识别装置1中，执行识别是人还是人之外的动物的处理，并在根据该识别结果判断出侵入到传感器的检测范围内的是人时发出警报的系统的实施方式。即，是利用了上述第1和第2实施方式中的信息识别装置1的识别结果的应用系统。因此，对与上述第1和第2实施方式重复的部分赋予相同标记，并省略其说明，仅仅对不同部分进行说明。
首先，根据图15来说明关于本发明第4实施方式的警报系统的结构。图15是表示关于本发明第4实施方式的警报系统的结构。
警报系统2构成为包含信息识别装置1；发报控制部50，根据来自该信息识别装置1的识别结果来控制警报的发报；警报部51，根据来自发报控制部50的发报命令发出警报；以及，通知部52，根据来自发报控制部50的通知命令，向系统使用者通知警报内容。
在本实施方式中，动作模式模型存储部12存储了针对人的动作模式生成的动作模式模型；以及针对狗和猫等人之外的动物生成的动作模式模型。
识别处理部13具有以下功能根据动作模式模型存储部12的存储内容、以及从红外线检测部10获取到的红外线检测结果的特征量数据，来识别存在于热电型红外线传感器10a的检测范围内的被检测体的动作模式信息和属性信息的功能；以及，将该识别结果发送到发报控制部20的功能。在本实施方式中，对特征量数据、和存储在上述动作模式模型存储部12内的动作模式模型进行比较，并识别被检测体是否是人。
发报控制部50具有以下功能根据来自信息识别装置1的识别处理部13的识别结果，判断被检测体是否是人，在判断为被检测体是人的情况下，在发送使警报部51发出警报的命令，并且向通知部52传送将警报内容(例如，人侵入到建筑物内)通知系统使用者的命令。另一方面，在发报控制部50中，在判断为被检测体是人之外的情况下，由于没有向警报部51和通知部52发送前述发报命令以及通知命令，因此，警报和通知均不执行。并且，并不限于这种结构，在判断为被检测体是人之外的情况下，通过仅仅将通知命令通知给通知部51，在发报控制部50中，在万一出现了误判时，系统使用者可以适当地执行应对。
另外，在上述判断处理中，从识别处理部13连续送来的识别结果是“人、人、人之外、人之外、人、人......人之外、人、人、人、人、人之外”这样的内容的情况下，例如，通过在识别为是人连续出现规定次数或以上(例如3次)时，判断为被检测体是人，可降低判断结果的错误。
警报部51具有以下功能根据来自发报控制部50的发报命令，在从图中未示出的扬声器中输出警告消息的语音，并且还从中输出规定的警告音。
通知部52具有以下功能根据来自发报控制部50的通知命令，经由图中未示出的网络等向系统使用者通知警告内容。
因此，如前所述，在判断为被检测体是人以外的情况下，警报和通知均不执行。
这里，在本实施方式中，警报系统2与信息识别装置1不同，具有图中未示出的程序、RAM(随机存取存储器Random AccessMemory)以及存储专用程序的存储介质，通过由处理器来执行专用程序来执行上述各部的控制。
另外，所谓存储介质是RAM、ROM等半导体存储介质、FD、HD等磁存储型存储介质，CD、CDV、LD、DVD等光学读取方式存储介质、MO等磁存储型/光学读取方式存储介质。不管电子、磁、光学等读取方法中的哪一个，只要能由计算机读取的存储介质，就包含该所有存储介质。
上述警报系统2通过将该信息识别装置1具有的热电型红外线传感器10a设置在例如是美术馆或珠宝店等建筑物的入口附近(在进入到建筑物内时必须通过的路径)，在信息识别装置1内识别侵入到建筑物内的(被检测体)是人还是人之外，在发报控制部50中，根据该识别结果进一步判断被检测体是否是人，在判断为被检测体是人的情况下，在警报部51中发出警报，在通知部52中，将警报内容通知给系统使用者。因此，在建筑物内侵入了小偷等“人”的情况下，识别为那是人，并可以利用警报部21的警报来执行威吓和警告，进一步，通过从通知部52向系统使用者通知“人”侵入到建筑物内，从而例如或是作为系统使用者的警备员等赶往现场以制止小偷，或者是和警察联络，请其赶往现场拿获等处理。另一方面，在狗或猫等“人之外”的事物侵入到建筑物内的情况下，可将其判断为不是人，并不执行无用的警报或通知。
进一步，根据图16来说明警报系统2中的发报控制部50的动作处理的流程。图16是表示发报控制部50的动作处理的流程图。
如图16所示，首先转移到步骤500，判断是否已经从识别处理部13接收到了识别结果，在判断为已经接收到的情况下(Yes)，转移到步骤S502，在不是的情况下(No)，在直到接收之前，继续执行判断处理。
在已经转移到步骤S502的情况下，将在步骤S500中接收到的识别结果存储到未图示的存储部内，然后转到步骤S504。
在步骤S504中，判断从最初接收到识别结果开始是否经过了规定时间，或者是，针对相同的被检测体的识别结果的接收数目是否超过了规定接收数目，在判断为已经经过了或超过了的情况下(Yes)，转移到步骤S506，在不是的情况下(No)，转移到步骤S500。
在转移到了步骤S506的情况下，根据针对存储在存储部内的相同的被检测体的识别结果，执行判断该被检测体是否是人的处理，然后转移到步骤S508。这里，判断是否是人的处理如上所述，是根据被连续识别为是“人”的次数等而执行的。
在转移到了步骤S508的情况下，步骤S506的判断结果在判断为是人的情况下(Yes)转移到步骤S510，在不是的情况下(No)转到步骤S512。
在转移到步骤S510的情况下，将发报命令发送给警报部51，并且将通知命令发送到通知部52，然后转到步骤S512。
在步骤S512中，在删除了存储在存储部内的识别结果而结束判断处理后，转移到步骤S500。
以上，可以根据上述第1和第2实施方式中的信息识别装置1的识别结果，在发报控制部50中判断被检测体是否是人，在是人的情况下，可在警报部51上发出警报，在通知部52上，将警报内容通知给系统使用者，另一方面，在判断为人以外的情况下，在警报部51上不发送警报，并且在通知部52内不通知警报内容，由此，可以不执行无用的警报和通知。
这里，如图15所示，发报控制部50对应于技术方案18所述的判断单元，警报部51和通知部52对应于技术方案18所述的警报单元。
并且，在上述第1-第3实施方式中，虽然将人及人之外放射出热辐射线的生物当作被检测体，但并不限于此，也可以将放射出热辐射线的非生物当作被检测体。
另外，在上述第1-第3的实施方式中，尽管说明了就上述(1)-(8)共8个方向的动作模式而言执行动作模式模型的生成、或这些动作模式的识别处理的例子，但是，并不仅限于此，也可以进行不限于8个方向的各种各样方向的移动、就被检测体的整体的一部分动作等其他动作模式而言执行动作模式模型的生成、或执行这些动作模式的识别处理。
另外，在上述第1-第3实施方式中，作为与动作模式模型相对应起来的属性，以被检测体的姓名为例进行说明，但是并不仅限于此，作为属性，也可以与性别、年龄、身高、体重等其他要素对应起来，另外，也可以与任意组合多个要素对应起来。
另外，在上述第3实施方式中，对将多维特征量数据投影为二维座标信息的例子进行了说明，但是，并不限于此，也可以将多维特征量数据投影为三维座标信息。
产业上的可利用性根据本发明技术方案1所述的信息识别装置，由于根据热辐射线传感器的检测结果以及多种动作模式模型来识别被检测体的规定信息，因此，可以识别被检测体的复杂的行动模式、被检测体的属性等各种信息。
另外，根据技术方案2所述的信息识别装置，由于除了技术方案1所述效果外，还能够根据分别与多种动作模式相对应的多个动作模式模型以及检测结果来执行识别处理，因此，可以识别检测范围内的被检测体的各种信息。
另外，根据技术方案3所述的信息识别装置，由于除了技术方案1或技术方案2的上述效果外，还容易追加新动作模式模型，另外还能够根据所提供的条件生成动作模式模型，因此，在由于识别内容的变更等引起的动作模式模型的变更等中，可以灵活地应对。
另外，根据技术方案6所述的信息识别装置，由于除了技术方案1到技术方案3中任意一项的上述效果外，还使用了热电型红外线传感器作为热辐射线传感器，因此，可以容易地检测在检测范围内的移动体。
另外，根据技术方案7所述的信息识别装置，除了技术方案1到技术方案6任意一项的上述效果外，还可以通过使用作为时间序列信号的概率模型的HMM，对动作模式执行模型化，从而即便是非稳定的时间序列信号也可容易地执行模型化，因此，可以可靠地对被检测体的动作模式执行模型化。
另外，根据技术方案8所述的信息识别装置，由于除了技术方案1到技术方案7中任意一项的上述效果外，热辐射线传感器的输出根据被检测体的行动内容、移动速度、大小等而发生变化，因此，通过预先生成、准备与这些因素相对应的动作模式模型，可以识别被检测体的行动内容、移动速度、大小等。
另外，根据技术方案9所述的信息识别装置，除了技术方案1到技术方案8中任意一项的上述效果外，作为动作模式模型，由于包含了多种被检测体的动作模式模型，因此，信息识别单元可以识别检测范围内的被检测体的种类。
另外，根据技术方案10所述的信息识别装置，除了技术方案1到技术方案9中任意一项的上述效果外，由于计算出特征量数据和所述动作模式模型的似然，并根据该似然来识别有关被检测体的规定信息，因此，可以简易地识别规定信息。
另外，根据技术方案11所述的信息识别装置，除了技术方案10的上述效果外，由于针对由检测结果的帧单位的谱构成的第1特征量数据、以及由该帧单位的谱的平均振幅值构成的第2特征量数据，来计算它们与所述动作模式模型的似然，并根据该计算结果来识别有关被检测体的规定信息，因此，可以提高规定信息的识别精度。
另外，根据技术方案12所述的信息识别装置，由于使用了将所述帧单位的谱的值转换为常用对数值后的数据作为第1特征量数据，因此，可以利用条件来进一步提高规定信息的识别精度。
另外，根据技术方案13所述的信息识别装置，除了第1和第2特征量数据之外，由于还使用了所选帧的所述第1特征量数据所示的特征量、与该所选帧的前1帧的所述第1特征量数据所示的特征量的差分构成的第3特征量数据，执行规定信息的识别，由此，可以进一步提高规定信息的识别精度。
另外，根据技术方案14所述的信息识别装置，除了第1-第3特征量数据，由于还使用了所选帧的所述第2特征量数据所示的特征量、与该所选帧的前1帧的所述第2特征量数据所示的特征量的差分构成的第4特征量数据，来执行规定信息的识别，由此，可以进一步提高规定信息的识别精度。
另外，根据技术方案15所述的信息识别装置，除了技术方案1到技术方案8中任意一项的上述效果外，还可以使检测结果与同其他多个被检测体的动作模式模型相对应的特征量数据相对比，在视觉上捕捉到，从而可以实现基于视觉的规定信息的识别等。
这里，技术方案16所述的信息识别方法是利用技术方案1所述的信息识别装置等来实现的，由于其产业上的可使用性是重复的，因此，省略其记载。
另外，技术方案17所述的信息识别程序是可以应用于技术方案1所述的信息识别装置的程序，由于其产业上的可利用性重复，因此，省略其记载。
另外，根据有关本发明的技术方案18所述的防范系统，由于根据可识别被检测体的复杂行动模式、被检测体的属性等各种信息的信息识别装置的识别结果，可以进行人与人以外的动物等的判别，因此，在将本系统应用于建筑物的警备中的情况下，可以降低发出将人之外的动物等侵入到建筑物内误判断为人的侵入的警报。
权利要求
1.一种信息识别装置，其特征在于，具有热辐射线检测单元，利用热辐射线传感器，对从存在于检测范围内的被检测体放出的热辐射线执行检测；动作模式模型存储单元，存储按照规定的模型化方法对与被检测体的动作模式相对应的所述热辐射线传感器的输出预先执行模型化而成的动作模式模型；以及，信息识别单元，根据所述热辐射线检测单元的检测结果、以及存储在所述动作模式模型存储单元内的所述动作模式模型，来识别与存在于所述检测范围内的所述被检测体有关的规定信息。
2.如权利要求1所述的信息识别装置，其特征在于在所述动作模式模型存储单元内，存储了与多种动作模式分别对应的多个动作模式模型。
3.如权利要求1或权利要求2所述的信息识别装置，其特征在于，具有动作模式模型生成单元，根据所述热辐射线传感器的输出，利用所述规定的模型化方法，来生成所述被检测体的所述动作模式模型。
4.如权利要求1至3中任意一项所述的信息识别装置，其特征在于所述热辐射线传感器是热型传感器。
5.如权利要求1至3中任意一项所述的信息识别装置，其特征在于所述热辐射线传感器是量子型传感器。
6.如权利要求1至3中任意一项所述的信息识别装置，其特征在于所述热型传感器是利用热电效果来检测从所述被检测体放出的红外线的热电型红外线传感器。
7.如权利要求1至6中任意一项所述的信息识别装置，其特征在于所述规定的模型化方法是隐马尔可夫模型。
8.如权利要求1至7中任意一项所述的信息识别装置，其特征在于所述规定信息包含所述被检测体的行动内容、所述被检测体的移动速度以及所述被检测体的大小中的至少一个。
9.如权利要求1至权利要求8中任意一项所述的信息识别装置，其特征在于所述规定信息包含所述被检测体的属性信息。
10.如权利要求1至权利要求9中任意一项所述的信息识别装置，其特征在于所述信息识别单元从所述热辐射线检测单元的检测结果中提取出特征量数据，并根据该特征量数据和存储在所述动作模式模型存储单元内的所述动作模式模型，来计算所述特征量数据和所述动作模式模型的似然，然后根据该计算出的似然来识别与所述被检测体有关的规定信息。
11.如权利要求10所述的信息识别装置，其特征在于所述特征量数据包含由所述热辐射线检测单元的检测结果的帧单位的谱构成的第1特征量数据、以及由所述帧单位的谱的平均振幅值构成的第2特征量数据。
12.如权利要求11所述的信息识别装置，其特征在于所述第1特征量数据是将所述帧单位的谱的值转换为常用对数值后的数据。
13.如权利要求11或12所述的信息识别装置，其特征在于所述特征量数据还包含第3特征量数据，该第3特征量数据由所选帧的所述第1特征量数据所示的特征量与所选帧的前1帧的所述第1特征量数据所示的特征量的差分构成。
14.如权利要求13所述的信息识别装置，其特征在于所述特征量数据还包含第4特征量数据，该第4特征量数据由所选帧的所述第2特征量数据所示的特征量与所选帧的前1帧的所述第2特征量数据所示的特征量的差分构成。
15.如权利要求1至14中任意一项所述的信息识别装置，其特征在于，在所述动作模式模型由4维以上的高维的所述特征量数据构成时，具有特征量数据显示单元，将与存储在所述动作模式模型存储单元内的各动作模式模型相对应的所述特征量数据显示为2维或3维空间上的座标点；以及检测结果显示单元，在显示了所述特征量数据的座标点的空间上，显示与所述热辐射线检测单元的检测结果相对应的座标点。
16.一种信息识别方法，其特征在于利用热辐射线传感器来检测从存在于检测范围内的被检测体放出的热辐射线；准备根据规定的模型化方法、对与多个被检测体的多种动作模式分别对应的所述热辐射线传感器的输出预先执行模型化而成的动作模式模型；以及根据所述热辐射线传感器的检测结果和所述动作模式模型，来识别与存在于所述检测范围内的所述被检测体有关的规定信息。
17.一种在计算机上执行的信息识别程序，其特征在于，具有热辐射线检测步骤，利用热辐射传感器来检测从存在于检测范围内的被检测体放出的热辐射线；动作模式模型存储步骤，存储根据规定的模型化方法、对与多个被检测体的多种动作模式分别对应的所述热辐射线传感器的输出预先执行模型化而成的动作模式模型；以及信息识别步骤，根据由所述热辐射线检测步骤所得到的检测结果、以及在所述动作模式模型存储步骤中所存储的所述动作模式模型，来识别与存在于所述检测范围内的所述被检测体有关的规定信息。
18.一种警报系统，其特征在于，具有如权利要求1至权利要求15中任意一项所述的信息识别装置；判断单元，根据所述信息识别装置的识别结果来判断所述被检测体是否是人；以及警报单元，在利用所述判断单元判断出所述被检测体是人时发出警报。
全文摘要
本发明提供了一种信息识别装置、信息识别方法以及信息识别程序，它可以根据针对存在于检测范围内的被检测体的热辐射线检测单元的输出、以及使用规定的模型化方法预先准备的、根据与多个对象的动作模式分别对应的热辐射线传感器的输出的动作模式模型，来识别有关被检测体的规定信息。信息识别装置1构成为包含红外线检测部10、动作模式模型生成部11、动作模式模型存储部12、以及识别处理部13。红外线检测部10构成为包含热电型红外线传感器10a和信号处理部10b。生成的动作模式模型使动作内容和属性信息相对应起来，存储到动作模式模型存储部12内。然后根据红外线检测部10的输出和动作模式模型来识别被检测体的信息。
文档编号G01J5/10GK1906638SQ20058000180
公开日2007年1月31日 申请日期2005年1月13日 优先权日2004年1月15日
发明者宇田川健, 庄境诚, 山崎裕二 申请人:旭化成株式会社