セミナーレポート

ロボットに使える最新画像処理技術 ~物体認識のための画像局所特微量~中部大学 藤吉 弘亘

本記事は、画像センシング展2010にて開催された特別招待講演を記事化したものになります。

人の特徴を捉える

 ここでもう一度,「人の特徴」を考えてみたいと思います。人の形状特徴として頭のところから肩にかけた「Ω」型や,下半身の連続的なエッジ,頭・肩・胴体それぞれの左右対称性などが挙げられます。
 残念ながら第2世代のHOG特徴量は,局所領域であるセルにおいて単一のHOG特徴量だけで識別しているので,こういった人の形状特徴を捉えきれていません。そこで自動的に対称性のある領域を捉えたり,連続性を持つ領域を捉えたりすることが,第3世代のアプローチとなります。
図8 人検出と車両検出におけるJoint HOGの効果。DET(Detection Error Tradeoff)による評価。

図8 人検出と車両検出におけるJoint HOGの効果。DET(Detection Error Tradeoff)による評価。

 われわれの研究室では,第3世代のアプローチとして「Joint HOG」という方法を提案しています[図7(b)]。Joint HOGに検出ウィンドウの中の2つの領域を1つの弱識別器に入力することによって,2つの領域のHOG特徴量の共起性を同時に捉えるというアプローチです。
 識別器の構築には,2段階のアダブーストによりJoint HOG特徴量を生成し,学習します。まず検出ウィンドウの画像をセルに区切り,あるセルとあるセルからHOG特徴量を算出します。例えばHOG特徴量の場合,1 つのセルから9方向の特徴量が算出されるので,9次元の特徴量となります。2つのセルから算出したそれぞれ9つの特徴量を使ってアダブーストにより弱識別器を構築します。
図8 人検出と車両検出におけるJoint HOGの効果。DET(Detection Error Tradeoff)による評価。

図8 人検出と車両検出におけるJoint HOGの効果。DET(Detection Error Tradeoff)による評価。

 次に,セルとセルを組み合わせて,アダブーストで強識別器を作ります。例えば72個のセルから2つのセルを持ってくるというコンビネーション分の識別器をあらかじめ作っておくことになります。
 その後,2段階目のアダブーストを使って,1段階目の強識別器を特徴として本当によい組み合わせを評価して,最終強識別器を構築します。これにより,各弱識別器が2つの領域の特徴を捉えることになります。

<次ページへ続く>

中部大学 藤吉 弘亘

1997年,中部大学 大学院博士後期課程修了。
1997年~2000年,米カーネギーメロン大学ロボット工学研究所Postdoctoral Fellow。
2000年より中部大学講師。
2004年,同大准教授。2006年,米カーネギーメロン大学ロボット工学研究所客員研究員。

アーカイブもっと見る

NTTグループが描く未来農業
NTTグループが描く未来農業(7/25) 日本電信電話㈱(NTT) 研究企画部門 プロデュース担当部長 久住 嘉和
QoL向上のためのメディア認識・理解技術
QoL向上のためのメディア認識・理解技術(7/25) 東京大学 大学院情報理工学系研究科 電子情報学専攻 山崎 俊彦
商用化が目前に迫る完全自動運転における画像センシング技術の重要性
商用化が目前に迫る完全自動運転における画像センシング技術の重要性(11/26) インテル(株) 事業開発・政策推進ダイレクタ 兼 名古屋大学客員准教授 野辺 継男
脳と人工知能
脳と人工知能(9/25) 理化学研究所 栄誉研究員 甘利 俊一
超高齢化時代におけるみまもり工学 センシング技術への期待
超高齢化時代におけるみまもり工学 センシング技術への期待(9/25) 東京大学大学院医学系研究科 特任教授 森 武俊

ダウンロード

展示会FAQ