估计装置、估计方法及程序与流程

1.本公开涉及估计装置、估计方法及程序。


背景技术：

2.利用以无线发送的信号对检测对象进行检测的技术正在开发(例如参照专利文献1)。
3.在专利文献1中公开了如下技术：对于以无线接收的信号使用傅立叶变换来解析包含多普勒频移的成分的特征值，从而能够知晓作为检测对象的生物体的数量或者位置。
4.在先技术文献
5.专利文献
6.专利文献1：日本特开2015
‑
117972号公报
7.专利文献2：日本特开2014
‑
228291号公报
8.专利文献3：日本特许第5047002号公报
9.专利文献4：日本特许第5025170号公报


技术实现要素：

10.发明所要解决的课题
11.根据对检测对象进行检测的算法，有时需要向算法输入检测对象的数量。在该情况下存在如下问题：在检测对象的数量未知时，无法对检测对象进行检测。
12.本公开的目的在于，提供在作为检测对象的生物体的数量未知的情况下也能够估计与生物体相关的信息的估计装置等。
13.用于解决课题的手段
14.本公开中的估计装置具备：复传递函数计算部，使用从n个(n为2以上的自然数)发送天线元件向1个以上的生物体所存在的空间发送并由m个(m为2以上的自然数)接收天线元件接收的电波的接收信号，计算表示所述发送天线元件与所述接收天线元件之间的传播特性的复传递函数；谱计算部，(a)使用相互不同的多个数值中的各个数值作为生物体数量，计算通过使用对所述生物体的存在进行估计的估计算法而从生物体信息导出的表示所述存在的似然性的似然性谱，该生物体信息是所述复传递函数中包含的与生物体对应的成分，(b)计算通过将计算出的多个所述似然性谱综合而成的综合谱；以及估计部，根据所述综合谱，估计至少表示所述空间中存在的生物体数量的生物体信息并输出。
15.此外，这些概括性或者具体性的方式也可以通过系统、方法、集成电路、计算机程序或者计算机可读取的cd
‑
rom等记录介质实现，也可以通过系统、方法、集成电路、计算机程序及记录介质的任意组合实现。
16.发明效果
17.根据本公开的估计装置，在作为检测对象的生物体的数量未知的情况下也能够估计与生物体相关的信息。
附图说明
18.图1是表示实施方式1中的传感器的构成的框图。
19.图2是表示实施方式1中的传感器对抵达方向的估计的概念图。
20.图3是表示实施方式1中的估计部的构成的框图。
21.图4是表现实施方式1中的峰探索部的动作的概念图。
22.图5是表现实施方式1中的检验部的动作的概念图。
23.图6是表示实施方式1中的传感器的处理的流程图。
24.图7是表示实施方式1中的传感器对人信息的计算处理的流程图。
25.图8是表现实施方式2中的估计部的构成的框图。
26.图9是表现实施方式2中的块检测部的动作的概念图。
27.图10是表现实施方式3中的估计部的构成的框图。
具体实施方式
28.(作为本公开的基础的知识)
29.本发明人关于在“背景技术”部分中记载的与检测相关的技术，发现了存在以下的问题。
30.以往，利用以无线发送的信号对检测对象进行检测的技术正在开发(例如参照专利文献1～4)。
31.例如，在专利文献1中公开了如下技术：使用傅立叶变换来解析包含多普勒频移的成分的特征值，从而估计作为检测对象的人物的数量或者位置。具体而言，专利文献1的处理装置对于接收信号进行傅立叶变换，对于提取出特定的频率成分而得到的波形求出自相关矩阵，对该自相关矩阵进行特征分解来求出特征值。一般而言，特征值及特征矢量各自表现电波从发送天线至接收天线的传播路径、即1条路径。但是，在专利文献1的技术中，不包含生物体信息的成分被去除，因此，在特征值及特征矢量中仅出现与被生物体反射的信号对应的路径、以及与其二次反射及噪音对应的路径。在此，与噪音对应的特征值的值比与生物体对应的特征值的值小，因此，通过列举该特征值之中的比规定的阈值大的特征值的个数，能够估计生物体数量。
32.但是，在专利文献1所公开的技术中，在作为检测对象的生物体存在于离检测装置比较远的位置的情况、或者生物体的数量比较多的情况下，存在如下问题：与生物体对应的特征值和与噪音对应的特征值之差缩小，人数估计的精度降低。这是因为，在多普勒效应非常弱的状况下，受到接收机所具有的内部噪音、或者从检测对象以外传来的干涉波的影响、以及除了检测对象以外还存在产生多普勒频移的物体等的影响，难以检测出进行了多普勒频移的微弱信号。另外，作为测定对象的生物体具有某种程度的大小，生物体的成分跨多个特征值而分布，因此在生物体数量比较多的情况下，无法将生物体的特征值完全分离，难以估计人数。
33.在专利文献2中，公开了利用music(多信号分类(multiple signal classification))法等方向估计算法来估计对象物的位置的技术。具体而言，接收了发送站所发出的信号的接收站对于接收信号进行傅立叶变换，对于提取了特定的频率成分而得到的波形求出自相关矩阵，并适用music法等方向估计算法。由此，能够以高精度估计方向。
但是，专利文献2中使用的music法需要被赋予作为检测对象的生物体数量，因此在使用专利文献2的技术进行检测时，需要预先估计人数。
34.另外，例如在专利文献3中公开了如下技术：根据由多个天线接收的接收信号的特征矢量与电波有可能抵达的范围的导向矢量之间的相关，估计抵达波数、即便携电话等发送机的数量。
35.另外，例如在专利文献4中公开了如下技术：对于由多个天线接收的接收信号假定各种抵达波数，对于各个抵达波数计算使用了导向矢量的评价函数，将评价函数最大的抵达波数估计为真的抵达波数。
36.但是，专利文献3～4所公开的技术是估计发出电波的发送机的数量的技术，无法估计生物体的数量。
37.于是，发明人们鉴于上述情况，发明了不使作为对象的生物体持有发送机等特别的设备就能够利用无线信号估计更准确而且更多的生物体数量的估计装置等，完成了本公开。
38.本公开的一个方式所涉及的估计装置具备：复传递函数计算部，使用从n个(n为2以上的自然数)发送天线元件向1个以上的生物体所存在的空间发送并由m个(m为2以上的自然数)接收天线元件接收的电波的接收信号，计算表示所述发送天线元件与所述接收天线元件之间的传播特性的复传递函数；谱计算部，(a)使用相互不同的多个数值中的各个数值作为生物体数量，计算通过使用对所述生物体的存在进行估计的估计算法而从生物体信息导出的表示所述存在的似然性的似然性谱，该生物体信息是所述复传递函数中包含的与生物体对应的成分，(b)计算通过将计算出的多个所述似然性谱综合而成的综合谱；以及，估计部，根据所述综合谱，估计至少表示所述空间中存在的生物体数量的生物体信息并输出。
39.根据上述方式，估计装置使用通过将相互不同的多个数值用作作为检测对象的生物体的数量而计算出的多个似然性谱被综合而成的综合谱，输出与空间中存在的生物体相关的信息，因此不需要输入作为检测对象的生物体的数量。由此，估计装置在作为检测对象的生物体的数量未知的情况下也能够估计与生物体相关的信息。
40.例如也可以是，所述估计部根据所述综合谱，估计还表示所述空间中存在的生物体的位置的所述生物体信息并输出。
41.根据上述方式，估计装置估计不仅表示生物体的数量而且还表示生物体的位置的信息，作为与生物体相关的信息。由此，估计装置在作为检测对象的生物体的数量未知的情况下，也能够估计与生物体相关的更多的信息。
42.例如也可以是，所述谱计算部使用(所述n
×
所述m
‑
1)以下的多个自然数、所述n以下的多个自然数、或者所述m以下的多个自然数，作为所述多个数值，来计算所述似然性谱。
43.根据上述方式，估计装置使用发送天线元件的个数及接收天线元件的个数中的至少一方来计算多个似然性谱。在使用复传递函数的生物体信息的情况下，在被估计的生物体数量为发送天线元件数量与接收天线元件数量之积以下的情况下生物体信息被精度较高地决定，另外，在被估计的生物体数量为发送天线元件数量以下或者接收天线元件数量以下的情况下生物体信息被精度更高地决定。由此，估计装置在作为检测对象的生物体的数量未知的情况下，也能够更容易而且精度更高地估计与生物体相关的信息。
44.例如也可以是，所述谱计算部使用多个自然数作为所述多个数值，来计算所述似然性谱，其中该多个自然数各自小于或等于作为所述空间中可能存在的生物体的最大数量而被决定的数量。
45.根据上述方式，估计装置使用作为空间中可能存在的生物体的最大数量而被决定的数量，来计算多个似然性谱。空间中可能存在的生物体的最大数量，例如有时根据空间的大小(面积或者容积)而被预先决定。在该情况下，设想为该最大数量以下的数量的生物体存在于空间中，换言之，无需设想超过该最大数量的数量的生物体存在于空间中。由此，通过使用多个自然数来计算多个似然性谱，其中该多个自然数各自小于或等于该最大数量，能够将计算处理抑制为所需且充分的量，能够事先避免设想为超出所需的数量的生物体进行计算处理。由此，估计装置通过所需且充分的计算处理，在作为检测对象的生物体的数量未知的情况下也能够估计与生物体相关的信息。
46.例如也可以是，还具备存储了过去由所述估计部估计的所述生物体信息的存储部，所述谱计算部使用在包含所述存储部中存储的所述生物体信息所表示的所述生物体数量的范围内的多个自然数作为所述多个数值，来计算所述似然性谱。
47.根据上述方式，估计装置使用过去存在于空间中的生物体的数量来计算似然性谱。由此，能够在设想为与过去存在于空间中的生物体的数量同等数量的生物体所存在的空间中，更容易地计算多个似然性谱。由此，估计装置在作为检测对象的生物体的数量未知的情况下也能够更容易地估计与生物体相关的信息。
48.例如也可以是，所述估计部取得所述似然性谱的多个极大值之中的、在包含该极大值的规定范围中该极大值为最大值的一个以上的极大值，决定所取得的所述一个以上的极大值之中的第一极大值，其中所述第一极大值是其与按照从大到小的顺序接在所述第一极大值之后的第二极大值之间的差异最大的极大值，所述估计部将表示所决定的所述第一极大值在所述一个以上的极大值之中是第几大的数量，估计为所述生物体数量。
49.根据上述方式，估计装置能够使用比率法，从似然性谱所具有的多个峰中，将基于虚像的峰排除，输出基于生物体的峰的数量。本技术的发明人们发现，似然性谱所具有的峰之中的基于虚像的峰具有峰值较低或者比较平缓的特征，基于该见识，想到了使用比率法将似然性谱所具有的峰之中的基于虚像的峰排除的技术。估计装置使用似然性谱所具有的多个峰进行处理，换言之，不需要对似然性设置阈值，因此能够避免阈值的设定的大小对处理造成影响。另外，不使用机器学习模型，因此能够不再需要准备教师数据以及事先的学习处理那样的准备作业。由此，估计装置在作为检测对象的生物体的数量未知的情况下也能够更容易地估计与生物体相关的信息。
50.例如也可以是，所述估计部仅使用所述一个以上的极大值之中的一个以上的第三极大值，作为所述一个以上的极大值，来决定所述第一极大值，其中该第三极大值与对被包含在包含该第三极大值的规定范围中的值乘以规定的比例而得到的值之间的差异为阈值以上。
51.根据上述方式，估计装置能够更恰当地将似然性谱所具有的峰之中的基于虚像的峰排除。似然性谱中的基于虚像的峰比较平缓，因此根据极大值与对被包含在包含该极大值的规定范围中的值乘以规定的比例而得到的值之间的差异的大小，能够对其进行判别。由此，估计装置通过将虚像的影响排除，在作为检测对象的生物体的数量未知的情况下也
能够更容易地估计与生物体相关的信息。
52.例如也可以是，所述估计部将所述似然性谱中的似然性为阈值以上的区间的个数，估计为所述生物体数量。
53.根据上述方式，估计装置能够使用基于似然性谱中的似然性与阈值的大小而判别的区间，输出在似然性谱所具有的多个峰之中将基于虚像的峰排除后的基于生物体的峰的数量。本技术的发明人们基于上述见识，想到了通过使用上述区间的方法将似然性谱所具有的峰之中的基于虚像的峰排除的技术。估计装置通过使用上述区间的方法，换言之，不需要进行以多个峰为对象的差量的比较的处理，因此能够简化处理。另外，不使用机器学习模型，因此能够不再需要准备教师数据以及事先的学习处理那样的准备作业。由此，估计装置在作为检测对象的生物体的数量未知的情况下也能够更容易地估计与生物体相关的信息。
54.例如也可以是，所述估计部将通过向事先制作的模型输入由所述谱计算部计算出的所述综合谱从而输出的生物体数量，估计为所述生物体数量，其中所述事先制作的模型，是以对表示所述空间中的生物体的存在的似然性的似然性谱进行表现的图像、以及所述生物体的数量作为教师数据，通过机器学习而事先制作的模型。
55.根据上述方式，估计装置能够使用事先通过机器学习而制作的模型，输出将基于虚像的峰排除后的基于生物体的峰的数量。本技术的发明人们基于上述见识，想到了通过使用通过机器学习而制作的模型的方法将似然性谱所具有的峰之中的基于虚像的峰进行排除的技术。估计装置使用通过机器学习而制作的模型，换言之，不需要进行以多个峰为对象的差量的比较的处理，因此能够简化处理。不需要对似然性设置阈值，因此能够避免阈值的设定的大小对处理造成影响。由此，估计装置在作为检测对象的生物体的数量未知的情况下也能够更容易地估计与生物体相关的信息。
56.例如也可以是，所述估计部使用卷积神经网络模型作为所述模型，输出所述生物体信息。
57.根据上述方式，估计装置使用卷积神经网络，在作为检测对象的生物体的数量未知的情况下也能够更恰当地估计与生物体相关的信息。
58.例如也可以是，所述谱计算部使用在被输入了所述空间中存在的生物体数量的情况下估计为存在被输入的所述生物体数量的所述生物体的估计算法，作为所述估计算法，来计算所述似然性谱。
59.根据上述方式，估计装置能够使用以被输入空间中存在的生物体数量为前提的估计算法，不用请求输入空间中存在的生物体数量，就能够得到与空间中存在的生物体相关的信息。由此，估计装置在作为检测对象的生物体的数量未知的情况下也能够估计与生物体相关的信息。
60.例如也可以是，所述谱计算部使用music(多信号分类(multiple signal classification))法作为所述估计算法，来计算所述似然性谱。
61.根据上述方式，估计装置使用music法，在作为检测对象的生物体的数量未知的情况下也能够估计与生物体相关的信息。
62.另外，本公开的一个方式所涉及的估计方法使用从n个(n为2以上的自然数)发送天线元件向1个以上的生物体所存在的空间发送并由m个(m为2以上的自然数)接收天线元件接收的电波的接收信号，计算表示所述发送天线元件与所述接收天线元件之间的传播特
性的复传递函数，使用相互不同的多个数值中的各个数值作为生物体数量，计算通过使用对所述生物体的存在进行估计的估计算法而从生物体信息导出的表示所述存在的似然性的似然性谱，该生物体信息是所述复传递函数中包含的与生物体对应的成分，该估计方法进而计算通过将所计算出的多个所述似然性谱综合而成的综合谱，根据所述综合谱，估计至少表示所述空间中存在的生物体数量的生物体信息并输出。
63.根据上述方式，具有与上述估计装置同样的效果。
64.另外，本公开的一个方式所涉及的程序是使计算机执行上述的估计方法的程序。
65.根据上述方式，具有与上述估计装置同样的效果。
66.此外，本公开不仅能够作为装置来实现，也能够作为具备这样的装置所具备的处理机构的集成电路来实现，或者作为以构成该装置的处理机构作为步骤的方法来实现，或者作为使计算机执行这些步骤的程序来实现，或者作为表示该程序的信息、数据或者信号来实现。另外，这些程序、信息、数据及信号也可以经由cd
‑
rom等记录介质或互联网等通信媒介被分发。
67.以下，使用附图详细说明本公开的实施方式。此外，以下说明的实施方式均示出本公开的优选的一个具体例。以下的实施方式所示的数值、形状、材料、构成要素、构成要素的配置位置及连接方式、步骤、步骤的顺序等是一例，并非意在限定本公开。另外，关于以下的实施方式中的构成要素之中的未被记载在表示本公开的最上位概念的独立权利要求中的构成要素，作为构成更优选的方式的任意的构成要素来说明。另外，在本说明书及附图中，关于在实质上具有相同功能构成的构成要素，附加同一标记从而省略重复说明。
68.(实施方式1)
69.以下，参照附图对实施方式1中的传感器1的人数估计方法等进行说明。传感器1是在作为检测对象的生物体的数量未知的情况下也能够估计与生物体相关的信息的估计装置的一例。
70.[传感器1的构成]
[0071]
图1是表示实施方式1中的传感器1的构成的框图。图2是表示实施方式1中的传感器1对抵达方向的估计的概念图。
[0072]
图1所示的传感器1具备复传递函数计算部30、生物体成分提取部40、相关矩阵计算部50、谱计算部70和估计部80。传感器1与发送机10和接收机20连接。此外，传感器1也可以具备发送机10和接收机20中的一方或者双方。此外，发送机10与接收机20也可以配置在同一壳体内。
[0073]
[发送机10]
[0074]
发送机10具备发送部11和发送天线部12。发送机10向空间s发送电波。设想为在空间s中存在生物体200。生物体200例如是人(也就是说人体)，以该情况为例进行说明。
[0075]
发送天线部12由具有m
t
个发送天线元件#1～#m
t
的阵列天线构成。发送天线部12例如是元件间隔为半波长的4元件贴片阵列天线等。
[0076]
发送部11生成高频的信号。发送部11所生成的高频的信号能够被用于估计生物体200的在与不在、位置或者人数。例如，发送部11生成2.4ghz的cw(连续波(continuous wave))，并将生成的cw作为电波即发送波从发送天线部12发送。此外，发送的信号不限于cw，也可以被调制后的信号。
[0077]
[接收机20]
[0078]
接收机20具备接收天线部21和接收部22。接收机20从被发送机10发送了电波的空间s接收电波。在被接收的电波中，可能包含作为从发送天线部12发送的发送波的一部分被生物体200反射或者散射而成的信号的反射波或者散射波。
[0079]
接收天线部21由具有m
r
个接收天线元件#1～#m
r
的阵列天线构成。例如，是元件间隔为半波长的4元件贴片阵列天线等。接收天线部21由阵列天线接收高频的信号。
[0080]
接收部22例如使用下变换器等，将接收天线部21所接收的高频的信号变换为能够进行信号处理的低频的信号。另外，在发送机10发送了调制信号的情况下，接收部22也进行所接收的调制信号的解调。接收部22将变换后的低频的信号向复传递函数计算部30传递。
[0081]
此外，在本实施方式中作为例子举出的利用频率是2.4ghz，但也可以使用5ghz或者毫米波段等频率。
[0082]
[复传递函数计算部30]
[0083]
复传递函数计算部30根据由接收天线部21的阵列天线接收的接收信号，计算表现发送机10的发送天线部12与接收天线部21之间的传播特性的复传递函数。更具体而言，复传递函数计算部30根据由接收部22传递的低频的信号，计算表现发送天线部12所具有的m
t
个发送天线元件与接收天线部21所具有的m
r
个接收天线元件之间的传播特性的复传递函数。
[0084]
此外，复传递函数计算部30所计算出的复传递函数有时包含与作为从发送天线部12发送的发送波的一部分被生物体200反射或者散射而成的信号的反射波或者散射波对应的成分(也称为生物体成分)。另外，复传递函数计算部30所计算出的复传递函数也有时包含与来自发送天线部12的直接波及来源于固定物的反射波等未经由生物体200的反射波对应的成分。另外，被生物体200反射或者散射的信号、即经由生物体200的反射波及散射波的振幅及相位，根据生物体200的呼吸及心率等生物体活动而时常变动。
[0085]
以下，设为复传递函数计算部30所计算出的复传递函数包含与作为被生物体200反射或者散射的信号的反射波及散射波对应的生物体成分来进行说明。
[0086]
此外，在图1中图示了发送机10与接收机20被相邻配置的状态，但发送机10和接收机20的配置不限于此，例如也可以如图2所示被分离配置。另外，发送天线也可以兼用作接收天线。另外，发送天线和接收天线也可以共用为wi
‑
fi(注册商标)路由器或者子机等无线设备的硬件。
[0087]
[生物体成分提取部40]
[0088]
生物体成分提取部40从复传递函数计算部30取得由接收天线部21的接收阵列天线接收的信号(也称为接收信号)。然后，生物体成分提取部40提取接收信号中包含的生物体成分、也就是说从发送天线部12发送而且被1个以上的生物体200反射或者散射的信号成分。
[0089]
更具体而言，生物体成分提取部40以信号被接收的顺序即时序，记录由复传递函数计算部30计算的复传递函数。然后，生物体成分提取部40提取以时序记录的复传递函数的变化之中的由于生物体200的影响而产生的变动成分。像这样提取的由于生物体200的影响而产生的复传递函数的变动成分相当于生物体成分。
[0090]
作为提取生物体成分的方法，例如有通过傅立叶变换等将复传递函数的变化向频
域变换后、提取与生物体成分对应的频率的成分的方法、或者通过计算2个不同时间的复传递函数的差量来提取的方法。通过这些方法，将复传递函数中包含的直接波及经由固定物的反射波的成分去除，保留经由生物体200的生物体成分。例如，通过使用5秒钟的复传递函数，提取0.3hz至3hz的成分作为与生物体成分对应的频率，能够提取即使在生物体200静止时也存在的生物体200的呼吸成分。
[0091]
此外，在本实施方式中，作为一例说明了提取0.3hz至3hz的成分的例子，但在希望提取更慢的动作或者更快的动作的情况下，显然进行变更以提取与希望提取的动作对应的频率成分即可。
[0092]
此外，在本实施方式中，构成发送阵列天线的发送天线元件有m
t
个，另外，构成接收阵列天线的接收天线元件有m
r
个即多个，因此与发送阵列天线及接收阵列天线对应的复传递函数中包含的经由生物体200的生物体成分也为多个。
[0093]
经由生物体200的多个生物体成分作为m行n列的矩阵(也称为生物体成分信道矩阵f(f))，如(式1)表现。
[0094]
[数1]
[0095][0096]
此外，生物体成分复传递函数矩阵即生物体成分信道矩阵f(f)的各元素f
ij
是从复传递函数的各元素h
ij
中提取变动成分而得到的元素。另外，生物体成分复传递函数矩阵即生物体成分信道矩阵f(f)是频率或者类似于频率的差量周期的函数，包含与多个频率对应的信息。此外，差量周期(差分周期)是指通过计算2个不同时间的复传递函数的差量从而提取生物体成分的方法中的2个复传递函数的时间差。
[0097]
[相关矩阵计算部50]
[0098]
相关矩阵计算部50通过对生物体成分提取部40所计算出的由m行n列构成的生物体成分信道矩阵的元素进行重排，从而变换为(m
×
n)行1列的生物体成分信道矢量f
vec
(f)。作为元素的排列方法，例如有如(式2)的方法，但只要是对矩阵进行重排的操作即可，元素的顺序不作限定。
[0099]
[数2]
[0100]
f
vec
(f)＝vec[f(f)]＝[f
11
(f)...f
m1
(f)f
12
(f)...f
m2
(f)...f1n(f)...f
mn
(f)]
t (式2)
[0101]
其后，相关矩阵计算部50根据生物体成分信道矢量f
vec
(f)计算相关矩阵。更具体而言，相关矩阵计算部50依照(式3)，计算由生物体200所产生的多个变动成分构成的生物体成分信道矢量f
vec
(f)的相关矩阵r。
[0102]
[数3]
[0103]
r＝e[f
vec
(f)f
vec
(f)
h
]
ꢀꢀ
(式3)
[0104]
(式3)中的e[]表现平均运算，运算符h表现复共轭转置。在此，相关矩阵计算部50在相关矩阵计算中，在频率方向上对包含多个频率成分的生物体成分信道矢量f
vec
(f)取平均，从而能够同时使用各个频率中包含的信息来进行传感。
[0105]
[谱计算部70]
[0106]
谱计算部70计算表示空间s中的生物体200的存在的似然性的似然性谱，另外使用所计算出的似然性谱计算综合谱。谱计算部70使用在被输入了空间中存在的生物体数量的
情况下估计为存在被输入的生物体数量的所述生物体的估计算法，作为估计算法来计算似然性谱。似然性谱例如通过music法被计算，以该情况为例进行说明。将通过music法计算的似然性谱也称为music谱。
[0107]
一般而言，为了计算似然性谱，需要作为抵达波的数量的抵达波数。为了通过music法计算music谱，需要抵达波数。抵达波数相当于本实施例中的空间s中存在的生物体200的数量。
[0108]
谱计算部70不是使用特定的一个数值作为生物体数量，而是顺次使用相互不同的多个数值作为生物体数量，来计算music谱。
[0109]
即，谱计算部70一边使变量l从初始值l
start
变化到l
end
，一边使用变量l作为生物体数量来计算music谱。然后，谱计算部70计算通过将使用相互不同的多个变量l计算出的多个music谱综合而成的综合music谱。以下使用数学式对music谱计算部70的动作进行说明。
[0110]
如果对由相关矩阵计算部50计算出的相关矩阵r进行特征分解，则能够记作：
[0111]
[数4]
[0112]
r＝u∧u
h
[0113]
在此为：
[0114]
[数5]
[0115]
∪＝[u1，
…
,u
l
，u
l 1
，
…
；u
mr
]
[0116]
[数6]
[0117]
∧＝diag[λ1，
…
，λ
l
λ
l 1
，
…
，λ
mr
]
[0118]
在此，
[0119]
[数7]
[0120]
u1，
…
，u
mr
[0121]
是元素数为m
r
个的特征矢量，
[0122]
[数8]
[0123]
λ1，
…
，λ
mr
[0124]
是与特征矢量对应的特征值，
[0125]
[数9]
[0126]
λ1≥λ2≥
…
≥λ
l
≥λ
l 1
≥
…
≥λ
mr
[0127]
设为成立。另外，l是作为生物体数量即人数而使用的循环变量。
[0128]
另外，发送阵列天线的导向矢量(方向矢量)被定义为：
[0129]
[数10]
[0130][0131]
接收阵列天线的导向矢量(方向矢量)被定义为：
[0132]
[数11]
[0133][0134]
此外，在使用的天线元件不具有均一的复指向性时，发送及接收导向矢量也可以使用基于实测的复指向性数据而制作的矢量。在此，k是波数。
[0135]
进而，将这些导向矢量相乘而考虑了发送阵列天线及接收阵列天线双方的角度信
息后的导向矢量被定义为：
[0136]
[数12]
[0137][0138]
一边使变量l进行各种变化一边适用music法。
[0139]
即，谱计算部70基于music法，使用通过相乘而得到的导向矢量，计算由下述(式4)表示的将多个music谱综合而成的评价函数p
music
(θ
t
，θ
r
)。将该评价函数称为综合music谱，也简称为综合谱。
[0140]
[数13]
[0141][0142]
此外，综合的运算在(式4)中使用了求和，但也可以替代求和而使用求积(连乘)。也就是说，在(式4)中，也可以将求和记号
[0143]
[数14]
[0144][0145]
置换为求积记号
[0146]
[数15]
[0147][0148]
并使用置换后的数学式。
[0149]
此外，变量l的最小值l
start
及最大值l
end
需要预先设定规定的值。例如，最小值l
start
设为1，或者在作为测定对象的空间s中存在的生物体的最小数量已知的情况下设为该数量。另外，最大值l
end
在作为测定对象的空间s中存在的生物体的最大数量已知的情况下，能够设为该数量或者比该数量大1到3左右的数量。
[0150]
另外，例如，最大值l
end
也可以设为比发送天线元件数量与接收天线元件数量之积小1左右的数量。这是因为，通过music法能够检测的检测对象的最大数量，是比发送天线元件数量与接收天线元件数量之积小1的数量。另外，最大数量l
end
也可以是发送天线元件数量或者接收天线元件数量。
[0151]
也就是说，谱计算部70例如能够使用(发送天线元件数量n
×
接收天线元件数量m
‑
1)以下的多个自然数、发送天线元件数量n以下的多个自然数、或者接收天线元件数量m以下的多个自然数，作为变量l，来计算似然性谱。这是因为，在被估计的生物体数量为发送天线元件数量与接收天线元件数量之积以下的情况下生物体信息被精度较高地决定，另外，在被估计的生物体数量为发送天线元件数量以下或者接收天线元件数量以下的情况下生物体信息被精度更高地决定。
[0152]
另外，谱计算部70能够使用多个自然数作为变量l，来计算似然性谱，其中该多个自然数各自小于或等于作为空间s中可能存在的生物体的最大数量而被决定的数量。
[0153]
进而，谱计算部70能够使用在包含存储部中存储的生物体数量信息所表示的生物体数量的范围内的多个自然数作为变量l，来计算似然性谱。在此，存储部是存储了过去由估计部80估计的生物体数量信息的存储装置(未图示)。
[0154]
此外，在上述的例中设为使变量l逐次加1，但不需要等间隔增加，也可以按照与逐次加1不同的变化模式使变量l变化。变化模式既可以预先决定，也可以随着推进处理而随机选择。
[0155]
此外，music谱也能够替代为基于beamformer(波束成形)法或者capon法的谱。但是需要注意的是，beamformer法或者capon法与music法相比精度较低，在单独使用的情况下无法进行高精度的估计。换言之，music法与beamformer法或者capon法相比，具有在单独使用的情况下能够进行较高精度的估计的优点。
[0156]
[估计部80]
[0157]
估计部80根据music谱计算部70所计算出的综合谱，估计至少表示作为测定对象的空间s中存在的生物体200的数量的生物体信息、也就是说至少表示空间s中存在的人的数量的人信息，并进行输出。另外，估计部80也可以根据综合谱，估计还表示空间s中存在的生物体的位置的生物体信息、也就是说还表示空间s中存在的人的位置的人信息，并进行输出。
[0158]
原本，在输入了正确的人数(也就是说，空间s中实际存在的人的人数)并计算出的music谱中，出现与输入的人数相同的数量的峰。但是，在本实施方式中，将通过输入各种数值作为人数而得到的多个music谱综合，因此有时在综合谱中出现虚像(也就是说，在实际上没有人的位置出现的峰)。
[0159]
在估计部80中，通过对综合谱中出现的峰之中的不是虚像的峰进行判别，并以上述峰之中的不是虚像的峰作为对象来计算人数，从而估计表示空间s中存在的人的人数的人信息。另外，估计部80也可以通过以上述峰之中的不是虚像的峰作为对象来计算该峰的位置，从而估计还表示空间s中存在的人的位置的人信息。
[0160]
在计算人的人数或者位置时，例如有对于谱的峰值使用比率法的方法；对music谱中规定阈值以上的似然性连续的区间、换言之似然性为规定阈值以上的区间(也称为块)的个数进行计数的方法；或者，将music谱作为图像对待并使用卷积神经网络等机器学习的方法等。在本实施方式中，作为一例，关于使用比率法计算人信息的计算方法进行说明。
[0161]
图3是实施方式1中的估计部80的详细的框图。
[0162]
图3所示的估计部80具备峰探索部81、误峰判定部82、峰排序部83和检验部84。
[0163]
＜峰探索部81＞
[0164]
峰探索部81对综合谱之中的取极大值的峰进行探索。将通过探索而发现的峰的集合设为第一峰集合。此外，第一峰集合为了排除由于噪音而引起的细小的峰，优选仅限定于峰值在规定的范围x内成为最大值的峰。
[0165]
图4是表现实施方式1中的峰探索部81的动作的概念图。参照图4，使用1维的综合谱1000说明峰探索部81的处理。
[0166]
在图4中表示了作为综合谱1000中包含的4个峰的峰1001
‑
a、1001
‑
b、1001
‑
c及1001
‑
d。对于4个峰的各峰，在从该峰距离0.5m以内的范围(也就是说范围1002
‑
a、1002
‑
b、1002
‑
c及1002
‑
d)中，该峰成为最大值的峰是峰1001
‑
a、1001
‑
b及1001
‑
d这3个峰。峰探索部81从综合谱1000中提取上述3个峰，并将所提取的峰作为第一峰集合取得。
[0167]
第一峰集合相当于似然性谱的多个极大值之中的、在包含该极大值的规定范围中该极大值为最大值的一个以上的极大值。
[0168]
＜误峰判定部82＞
[0169]
误峰判定部82将第一峰集合中包含的峰之中的比较平缓的峰排除。这是因为，综合谱1000中的虚像作为比较平缓的峰出现，因此通过将比较平缓的峰排除，从而将基于虚像的峰排除。
[0170]
具体而言，误峰判定部82针对第一峰集合中包含的各个峰值，计算在距离该峰为规定的距离x的范围中包含的值的y％值。误峰判定部82提取峰值与y％值的差异为规定的阈值z以上的峰，并将所提取的峰作为第二峰集合取得。峰值与y％值的差异既可以是峰值与y％值的差量(也就是说，峰值
‑
y％值)，也可以是峰值与y％值的比率(也就是说，y％值/峰值)。另外，“规定的距离x的范围中包含的值”能够使用该范围中包含的任意的数值、该范围中包含的值的平均值、最大值或者最小值等。
[0171]
由此，误峰判定部82能够将第一峰集合中包含的峰之中的比较平缓的峰排除。例如，在将规定的距离x设为0.5m，将y设为70％，将z设为0.4db时，误峰判定部82提取比第一峰集合中包含的各个峰值的周围0.5m以内包含的值的70％值大0.4db以上的峰值。
[0172]
由误峰判定部82从第一峰集合中排除了基于虚像的峰后的第二峰集合，相当于一个以上的第三极大值，该第三极大值与对被包含在包含该第三极大值的规定范围中的值乘以规定的比例而得到的值之间的差异为阈值以上。在此，规定的比例是比0大且比1小的规定值。
[0173]
＜峰排序部83＞
[0174]
峰排序部83将第二峰集合中包含的多个峰各自的值以降序排序。此外，峰排序部83也可以对于第二峰集合，追加比第二峰集合中包含的峰之中的值最小的峰小w的值，来作为虚拟峰。在针对第二峰集合中包含的多个峰中的各个峰，将该峰与按照从大到小的顺序接在该峰之后的峰进行比较的处理中，虚拟峰能够被用作按照从大到小的顺序接在峰值最小的峰之后的峰。例如，在将w设定为3.4db，且最小的峰相对于最大的峰为
‑
3db时，追加的虚拟峰相对于最大的峰为
‑
6.4db。
[0175]
＜检验部84＞
[0176]
检验部84对于由峰排序部83排序后的第二峰集合，计算相邻的峰值间的差异，从而对人数进行估计。更具体而言，作为以降序排序的第二峰集合的第i个峰与第i 1个峰的差量，计算比率或者差量，并将该差量或者比率最大的i作为人数输出。在此，i为1以上且第二峰集合的元素数以下的整数。
[0177]
以后，以使用差量作为差异的情况为例进行说明。
[0178]
图5是表现实施方式1中的检验部84的动作的概念图。
[0179]
在图5中，第二峰集合中包含的峰1101
‑
a、1101
‑
b、1101
‑
c及1102根据峰值以降序排序表示。此外，峰1102是由峰排序部83追加的虚拟峰。
[0180]
峰排序部83计算第二峰集合的相邻的峰的差量1103
‑
a、1103
‑
b及1103
‑
c，求出计算出的差量最大的峰的组合。
[0181]
在图5所示的例中，差量1103
‑
b、即第2个峰1101
‑
b与第3个峰1101
‑
c的差量最大，因此i是2，计算的人数是2。
[0182]
如上，检验部84取得峰探索部81所取得的一个以上的极大值之中的第一极大值，该第一极大值是其与按照从大到小的顺序接在该第一极大值之后的第二极大值之间的差
异最大的极大值，检验部84取得表示所取得的第一极大值在一个以上的极大值之中是第几大的数量。然后，估计部80将检验部84所取得的数量估计为空间s中存在的人的人数并输出。
[0183]
此外，检验部84也可以直接使用峰探索部81所取得的一个以上的极大值并如上述那样输出人信息，也可以使用误峰判定部82从峰探索部81所取得的一个以上的极大值之中排除了基于虚像的峰后的一个以上的第三极大值，作为一个以上的极大值，并如上述那样输出人信息。
[0184]
此外，上述以传感器1输出表示人数的人信息的情况为例进行了说明，但也可以使用music谱来估计人的位置，并输出表示人的位置的人信息。
[0185]
此外，在本实施方式中说明了发送天线和接收天线都为多个mimo(多输入多输出(multiple
‑
input multiple
‑
output))构成的例子，但发送或者接收的一方也可以使用单一天线的构成。在该情况下，谱计算部70所输出的综合谱为1维，在该情况下也能够与2维的情况同样通过探索峰来估计人信息。
[0186]
此外，也可以仅在检测出空间s中不存在人、即0人的情况下，基于最大的特征值的大小、复传递函数的变动成分的功率、或者与无人时的相关的大小来进行判定，而仅在有人时由谱计算部70计算似然性谱及综合谱。由此，在空间s中不存在人的情况下，能够省略计算似然性谱及综合谱所需的处理，有助于削减耗电。
[0187]
[传感器1的动作]
[0188]
关于如上构成的传感器1估计生物体数量的处理进行说明。
[0189]
图6是表示实施方式1中的传感器1的处理的流程图。
[0190]
如图6所示，在步骤s10中，传感器1在接收机20中以规定的期间接收信号。
[0191]
在步骤s20中，传感器1根据接收信号计算复传递函数。
[0192]
在步骤s30中，传感器1将计算出的复传递函数分别以时序记录，从记录的时序的复传递函数中提取由于生物体的影响而产生的变动成分，从而计算生物体成分信道矩阵。
[0193]
在步骤s40中，传感器1计算所提取的生物体成分信道矩阵的相关矩阵。
[0194]
在步骤s50中，传感器1对变量l设定初始值l
start
。
[0195]
在步骤s60中，传感器1基于在步骤s50或者s75中设定的变量l、以及在步骤s40中计算出的相关矩阵，通过music法计算似然性谱。
[0196]
在步骤s70中，传感器1判定变量l与l
end
是否一致。在判定为l与l
end
一致的情况下(步骤s70：是)，向步骤s80前进，否则(步骤s70：否)向步骤s75前进。
[0197]
在步骤s75中，传感器1对变量l加1。其后，传感器1再次执行步骤s60。
[0198]
在步骤s80中，传感器1通过对似然性谱进行综合，计算综合谱。被综合的似然性谱是一边通过步骤s50、s60、s70及s75的处理使变量l从l
start
逐一变化到l
end
一边由传感器1计算出的似然性谱。
[0199]
在步骤s90中，传感器1根据在步骤s80中计算出的综合谱计算人数，估计为人信息并输出。步骤s90的处理例如通过使用如下方法等进行：对于综合谱的峰值使用比率法的方法；对综合谱中规定的值以上的区间连续的块的个数进行计数的方法；或者，将综合谱作为图像对待并使用卷积神经网络等机器学习的方法。
[0200]
图7是表示实施方式1中的传感器1计算人信息的计算处理的流程图。图7所示的处
理是作为一例使用比率法进行步骤s90的处理的情况下的处理的例子。
[0201]
如图7所示，在步骤s110中，传感器1提取综合谱的峰之中的该峰在规定的范围内为最大值的峰，并将所提取的峰作为第一峰集合取得。
[0202]
在步骤s120中，传感器1针对第一峰集合中包含的各个峰，计算在距离该峰为规定的距离的范围中包含的值的y％值。
[0203]
在步骤s130中，传感器1针对在步骤s110中提取的峰，提取峰值与在步骤s120中计算出的y％值的差异为规定阈值以上的峰，并将所提取的峰作为第二峰集合取得。
[0204]
在步骤s140中，传感器1将第二峰集合中包含的峰以峰值的降序排序。
[0205]
在步骤s150中，传感器1计算第二峰集合之中的第i个峰与第(i 1)个峰的差异，估计将该差异最大的i作为人数表示的人信息并输出。在此，i为1以上且第二峰集合的元素数以下的整数。
[0206]
[效果等]
[0207]
根据本实施方式的传感器1，能够利用无线信号，高精度地估计空间s中存在的生物体200的数量。
[0208]
在用于估计空间s中存在的生物体200的数量的现有的导出似然性谱的估计方法中，有时需要赋予空间s中存在的生物体数量。
[0209]
根据本实施方式的传感器1，使用将通过使用多个数值作为空间s中存在的生物体数量而计算出的似然性谱综合而成的综合谱，估计空间s中存在的生物体数量。因此，即使在空间s中存在的生物体数量未知的情况下，也能够估计表示空间s中存在的生物体数量的生物体信息。
[0210]
(实施方式2)
[0211]
在实施方式1中，说明了根据综合谱使用比率法来估计生物体信息(也就是说人信息)的方法。在实施方式2中，说明使用根据综合谱对似然性为规定阈值以上的区间即块的个数进行计数的方法来估计生物体信息的方法。
[0212]
本实施方式中的传感器具备与实施方式1中的传感器1同样的构成，不同点在于，实施方式1的传感器1所具备的估计部80替换为估计部2080。除了估计部2080以外的构成与实施方式1相同，因此在此省略说明。
[0213]
图8是表现实施方式2中的估计部2080的构成的框图。图9是表现实施方式2中的块检测部2082的动作的概念图。图9所示的综合谱2100是谱计算部70所计算出的综合谱的一例。
[0214]
估计部2080如图8所示，具备阈值设定部2081和块检测部2082。
[0215]
阈值设定部2081设定比综合谱2100的最大值小v[db]的阈值2101。此外，v及阈值2101既可以使用预先设定的固定值，也可以事先使v及阈值2101进行各种变化并评价人数估计的精度，并使用精度最高的阈值2101作为最佳值。例如，在使用2.47125ghz的无调制连续波，且由元件间隔为半波长的4元件贴片阵列天线对4m见方的房间进行传感的情况下，能够将v设定为3.9db。
[0216]
块检测部2082检测综合谱2100中的似然性为阈值2101以上的区间作为块，并取得被检测出的块的个数。
[0217]
估计部2080将块检测部2082所取得的块的个数，估计为空间s中存在的人的人数。
[0218]
在图9所示的例中，作为综合谱2100为阈值2101以上的区间，检测出块2102
‑
a及2102
‑
b这2个块。块检测部2082计算表示人数为2的人信息。
[0219]
[效果等]
[0220]
根据实施方式2的传感器，与实施方式1中的传感器1相比能够削减估计部2080中的计算量。由此，能够降低实时处理所需的处理装置的能力标准，以低成本实现与人相关的信息的估计。
[0221]
(实施方式3)
[0222]
在实施方式1中，说明了根据综合谱使用比率法来估计生物体信息(也就是说人信息)的方法。在实施方式3中，说明根据综合谱使用机器学习模型(例如卷积神经网络)来估计生物体信息的方法。
[0223]
本实施方式中的传感器具备与实施方式1中的传感器1同样的构成，不同点在于实施方式1的传感器1所具备的估计部80替换为估计部3080。除了估计部3080以外的构成与实施方式1相同，因此在此省略说明。
[0224]
图10是表现实施方式3中的估计部3080的构成的框图。
[0225]
估计部3080如图10所示，具备教师数据制作部3081、学习部3082、网络存储部3083、图像变换部3084和判定部3085。
[0226]
教师数据制作部3081、学习部3082和网络存储部3083进行事先的机器学习模型的学习。图像变换部3084和判定部3085使用事先学习的机器学习模型，对于测试数据计算人信息。
[0227]
教师数据制作部3081事先取得多个表示人数已知的情况下的music谱的图像，并作为教师数据图像保存。在此，在教师数据图像中，关于被设想为空间s中存在的各个人数包含多个表示music谱的图像。例如，在教师数据图像中，在作为测定对象的空间s中存在的人数的上限为3的情况下，关于0人、1人、2人及3人分别包含多张例如100张以上的教师数据图像。
[0228]
学习部3082将教师数据图像作为输入来进行机器学习模型的学习。机器学习模型例如是卷积神经网络模型。被用作输入的教师数据图像是教师数据制作部3081所保存的教师数据图像。此外，在此也可以使用例如迁移学习那样提高神经网络的学习的效率的方法。
[0229]
网络存储部3083使由学习部3082通过学习而生成的卷积神经网络，存储至计算机上的存储器、cd
‑
rom等记录介质、或者传感器的外部的服务器等。在存储至传感器的外部的服务器的情况下，通过经由网络的通信向上述服务器发送卷积神经网络的数据。
[0230]
图像变换部3084将谱计算部70所计算出的综合谱变换为能够由卷积神经网络处理的形式，从而生成输入数据。能够由卷积神经网络处理的形式的图像，例如是各像素与综合谱的值对应的热图图像。
[0231]
判定部3085取得通过向网络存储部3083中存储的卷积神经网络输入由图像变换部3084生成的输入数据从而输出的人信息。
[0232]
估计部3080将判定部3085所取得的人信息，估计为表示空间s中存在的人的人信息。
[0233]
以上，关于本公开的一个方式所涉及的传感器，基于实施方式进行了说明，但本公开不限定于这些实施方式。只要不脱离本公开的主旨，则对本实施方式施加了本领域技术
人员所想到的各种变形而得到的方式、或者对不同实施方式中的构成要素进行组合而构筑的方式，都被包含在本公开的范围内。
[0234]
另外，本公开不仅能够作为具备这样的特征性的构成要素的传感器来实现，也能够作为将传感器中包含的特征性的构成要素作为步骤的估计方法等来实现。另外，也能够作为使计算机执行这样的方法中包含的特征性的各步骤的计算机程序来实现。另外，显然也能够使这样的计算机程序经由cd
‑
rom等能够由计算机读取的非易失性的记录介质或者互联网等通信网络而流通。
[0235]
[效果等]
[0236]
通过利用实施方式3的传感器使用基于卷积神经网络的机器学习，能够自动地对需要对应于设置该传感器的各种环境进行变更的阈值等各种参数进行调整。另外，通过随时更新所学习的网络，还能够期待人数估计精度进一步改善。
[0237]
工业实用性
[0238]
本公开能够利用于对生物体的人数、位置进行测定的测定器、进行与生物体的人数、位置相应的控制的家电设备、对生物体侵入进行检测的监视装置等。
[0239]
附图标记说明：
[0240]
1 传感器
[0241]
10 发送机
[0242]
11 发送部
[0243]
12 发送天线部
[0244]
20 接收机
[0245]
21 接收天线部
[0246]
22 接收部
[0247]
30 复传递函数计算部
[0248]
40 生物体成分提取部
[0249]
50 相关矩阵计算部
[0250]
70 谱计算部
[0251]
80、2080、3080 估计部
[0252]
81 峰探索部
[0253]
82 误峰判定部
[0254]
83 峰排序部
[0255]
84 检验部
[0256]
200 生物体
[0257]
1000、2100 综合谱
[0258]
1001
‑
a、1001
‑
b、1001
‑
c、1001
‑
d、1101
‑
a、1101
‑
b、1101
‑
c、1102 峰
[0259]
1002
‑
a、1002
‑
b、1002
‑
c、1002
‑
d 范围
[0260]
1103
‑
a、1103
‑
b、1103
‑
c 差量
[0261]
2081 阈值设定部
[0262]
2082 块检测部
[0263]
2101 阈值
[0264]
2102
‑
a、2102
‑
b 块
[0265]
3081 教师数据制作部
[0266]
3082 学习部
[0267]
3083 网络存储部
[0268]
3084 图像变换部
[0269]
3085 判定部
[0270]
s 空间