プレゼンテーションにおいて話者が物体を持っている場合,その把持物体が話題の中心になっていることが多い.本研究では複数の異なる種類の画像センサ(可視光カメラ・赤外カメラ・ステレオカメラ)を相互補完的に用いることで手と把持物体の分離認識・追跡を行う手法を提案する.また,発話と動作情報を用いて,話者が物体に対する説明を与えている状況を検出し,撮影されている映像,時刻,画像中での物体の位置と関連付けて蓄積することにより,高次利用可能な映像データを取得する手法を提案する.