物体識別のための Adaboost を用いた入力特徴の評価

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

物体識別のための Adaboost を用いた入力特徴の評価

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

物体識別のための Adaboost を用いた入力特徴の評価

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

物体識別のための Adaboost を用いた入力特徴の評価

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

　→ 入力特徴を選定する指標

物体識別のための Adaboost を用いた入力特徴の評価

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

自動車 (VH) 人 (SH) 人複数 (HG) 自転車 (BK)

物体識別のための Adaboost を用いた入力特徴の評価

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

物体識別のための Adaboost を用いた入力特徴の評価

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 ）

物体識別のための Adaboost を用いた入力特徴の評価

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 ）

垂直エッジ

水平エッジ

右上がりエッジ

左上がりエッジ

物体識別のための Adaboost を用いた入力特徴の評価

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 ）

人 人複数 自転車 自動車

分散（非剛体） 収束（剛体）

物体識別のための Adaboost を用いた入力特徴の評価

A

d

a

b

o

o

s

t

)(xhT

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 x

)(1 xh )(2 xh )(3 xh1 2 3 T

各識別関数の信頼度

最終的な識別関数

)(xH

物体識別のための Adaboost を用いた入力特徴の評価

– 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

A

d

a

b

o

o

s

t

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

物体識別のための Adaboost を用いた入力特徴の評価

• 貢献度– 特徴量　 の貢献度

　　 ：識別器　 で選択された特徴量

A

d

a

b

o

o

s

t

に

よ

る

各

特

徴

の

貢

献

度

評

価

→ 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

物体識別のための Adaboost を用いた入力特徴の評価

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

当該特徴が識別に貢献している

→ 誤識別率　大

物体識別のための Adaboost を用いた入力特徴の評価

50

0

10

20

30

40

50

0

10

20

30

40

50

0

10

20

30

40

実

験

結

果

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

[%]

物体識別のための Adaboost を用いた入力特徴の評価

実

験

結

果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

物体識別のための Adaboost を用いた入力特徴の評価

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

物体識別のための Adaboost を用いた入力特徴の評価

終

わ

り

物体識別のための Adaboost を用いた入力特徴の評価

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

物体識別のための Adaboost を用いた入力特徴の評価

A

d

a

B

o

o

s

t

の

ア

ル

ゴ

リ

ズ

ム

1. Input ： 　 , Training dataset 　

2. Initialize ：

3. Do for

4. Output: Final hypothesis with weights

物体識別のための Adaboost を用いた入力特徴の評価

識

別

器

物体識別のための Adaboost を用いた入力特徴の評価

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%

A

d

a

b

o

o

s

t

に

よ

る

識

別

例

逐次的に識別境界が変化する

識別率　 84.35%