歩行者の移動支援を目的とした道路状況の リアルタイ.ppt

物体識別のためのAdaboost を用いた入力特徴の評価 情報工学科　藤吉研究室EP02132　土屋成光 背景 物体（車両）識別 屋外監視システム 歩行者ITS 高精度な物体識別 識別器の構築 入力特徴の選定 背景 識別手法 Neural Network(ANN) Adaboost.M2 SVM 入力特徴 クラスの分離 表現できる　　　識別精度向上 表現できない　 識別精度は向上せず 目的 特徴量の貢献度を求める Adaboost 重み付き多数決による識別器 　　　　→重みを評価に用いる 　 識別タスク 屋外環境下で撮影した動画像 移動体をフレーム間差分により検出 4クラスに識別 物体識別に用いる特徴量 形状情報に基づいた特徴 テクスチャ情報に基づいた特徴 時間変化情報に基づいた特徴 形状情報に基づいた特徴量 正規分布の縦横比、傾き（AS） 輪郭線の複雑度（CS） テクスチャ情報に基づいた特徴量 各方向エッジ 垂直エッジ（V） 水平エッジ（H) 右上がりエッジ（R-U） 左上がりエッジ（L-U） 時間変化情報に基づいた特徴 オプティカルフローの分散（OF） Adaboost Adaboostによる各特徴の貢献度評価 弱識別器 特徴量　 の閾値判別 最も識別性能の高い特徴量 Adaboostによる各特徴の貢献度評価 貢献度 特徴量　 の貢献度 　　 ：識別器　 で選択された特徴量 実験概要 貢献度と誤識別率の比較 当該特徴を除いて学習した際のANNの誤識別率 各クラス200枚の画像 実験結果 実験結果 まとめ Adaboostを用いた特徴量評価法を提案 重みを用いて貢献度を表現 識別性能との相関性を確認 →入力特徴選定の指針となる 今後の予定 各特徴量の相関関係の評価法の検討 終わり 正規分布の当てはめ方法について 物体ピクセルの２次元(x,y座標)の分布に対して，正規分布を当てはめる →当てはめには，EMアルゴリズムを使用 AdaBoostのアルゴリズム Input： 　, 　Training dataset　 Initialize： Do for Output: Final hypothesis with weights 識別器 Adaboostによる識別例 物体識別のためのAdaboost を用いた入力特徴の評価 →入力特徴を選定する指標 自動車(VH) 人(SH) 人複数(HG) 自転車(BK) 垂直エッジ 水平エッジ 右上がりエッジ 左上がりエッジ 人 人複数 自転車 自動車 分散（非剛体） 収束（剛体） 低精度の識別関数の集合から高精度な識別関数を導く手法 学習により得られた識別関数 入力データ 各識別関数の信頼度 最終的な識別関数 の総数によって重みが異なる 一意に扱えない 正規化 信頼度　　 　 の識別結果をどの程度反映するか 　　　 　 の識別性能を元に算出 →客観的な特徴量の評価 全信頼度の何割がその特徴量を参照しているか 当該特徴が識別に貢献している → 誤識別率　大 貢 献 度 [%] AS　　 CS 　 V　　 H　　 R-U L-U 　OF 誤識別率[%] 貢献度[%] 自動車(VH) 誤 識 別 率 [%] R=0.50 R=0.74 R=0.83 R=0.85 自動車(VH) 人(SH) 人複数(HG) 二輪車(BK) AS　　 CS 　 V　　 H　　 R-U L-U 　OF AS　　 CS 　 V　　 H　　 R-U L-U 　OF AS　　 CS 　 V　　 H　　 R-U L-U 　OF AS　　 CS 　 V　　 H　　 R-U L-U 　OF 識別率　92.68% 識別率　97.16% 識別率　97.56% 識別率　98.37% 識別率　100.0% 逐次的に識別境界が変化する 識別率　84.35% 物体識別のためのAdaboost を用いた入力特徴の評価