cv 輪講 姿勢変化に対応した soft decision feature と online real boosting...
DESCRIPTION
CV 輪講 姿勢変化に対応した Soft Decision Feature と Online Real Boosting による人物追跡. 安藤 寛哲. はじめに. Online Boosting ブースティング手法をオンラインでの物体追跡に拡張 追跡対象に合わせて適した弱識別器の選択が可能 オフラインで得られた弱識別器が最適な特徴量であるとは限らない Soft Decision Feature 弱識別器の特徴量をオンラインで最適化する手法. 体の向き変化や姿勢変動が生じる場合でも追跡が可能. Online Boosting. Online Real Boosting - PowerPoint PPT PresentationTRANSCRIPT
CV 輪講姿勢変化に対応した Soft Decision Feature と
Online Real Boosting による人物追跡
安藤 寛哲
はじめに
Online Boosting− ブースティング手法をオンラインでの物体追跡に拡張− 追跡対象に合わせて適した弱識別器の選択が可能
− オフラインで得られた弱識別器が最適な特徴量であるとは限らない
Soft Decision Feature− 弱識別器の特徴量をオンラインで最適化する手法
体の向き変化や姿勢変動が生じる場合でも追跡が可能
Online Boosting
Online Real Boosting− Real AdaBoost を用いた学習
少ない弱識別器で高い追跡性能− 弱識別器の重みを追跡対象に合わせて更新− 弱識別器をセレクタに分割
追跡性能の低下を防止− 弱識別器が確立密度関数を持つ
追跡物体の向きや照明状態の変化に強い
Online Real Boosting の流れ
Online Real Boosting 概要− オフライン
Real AdaBoost を用いて強識別器を学習 弱識別器を複数のセレクタに分割
− オンライン 確率密度関数の更新 セレクタ内で弱識別器を選択 選択された弱識別器を統合 強識別器の作成
Online Real Boosting のフレームワーク
Soft Decision Feature
追跡対象に合わせて適応的に変化させる
最も尤度の高い特徴量を算出できる 特徴量のベース
− EHOG [Hou et al. ACCV ‘07] 局所的な領域の勾配変化
− Edgelet [Wu et al. ICCV ‘05] 部分的なエッジの類似度
位置,大きさ,形状を変化
EHOG ( 1/2 )
HOG を高速化した特徴量 ブロック内にセルを持たない 局所的な領域の勾配変化
:勾配方向 b={1,…,n, n=9} のヒストグラム
:全勾配方向にヒストグラムの総和
Di
bb ZigDF /)()(
)(1
igZB
bbb
)(igb
bZ
EHOG ( 2/2 )
Edgelet
エッジの直線、円弧、対称性に着目した特徴量 部分的なエッジの類似度
:位置 ui におけるエッジ強度
:位置 ui における勾配方向 :参照する位置の個数
K
i
Eii
Ii
I VuVIuEK
xS1
)()(1
)(
30
4,25.0
5,18.0
01
x
x
x
x
I
)( iI uE
)( iI uV
K
Edgelet エッジの直線、円弧、対称性に着目した特徴量 部分的なエッジ方向とエッジ強度捉える
:注目領域 :特徴量パターンの勾配
:位置 ui におけるエッジ強度
:位置 ui における勾配方向 :連結数
K
i
Eii
Ii
I VwuVIwuMK
wS1
)()(1
)(
)( iI uE
)( iI uV
K
wE
iV
30
4,25.0
5,18.0
01
x
x
x
x
I
Edgelet の特徴量パターン
量子化した角度
弱識別器の変形
特徴量 Forg を変形関数 T により変化
変形関数T ( ・ ) は特徴量の種類により異なる− EHOG
変形パラメータ 位置 (x,y) ,サイズ (w,h) ,勾配方向 (g)
− Edelet 変形パラメータ 移動量 (x,y) ,勾配の変化量 (g), 要
素 (uk)
),,,,(* ghwyxTFF EHOGorg
EHOGtars
)),,(*()),...,,,(*( 1 gyxTugyxTuFF kEdelet
orgEdelet
trans
Soft Decision Feature の概要
提案手法
Online Real Boosting Soft Decision Feature
− オフライン学習 弱識別器と変化可能な形状を同時に学習
− オンライン学習 オフラインで得られた弱識別器を形状変化させる
提案手法のフレームワーク
オフライン学習1. 学習サンプルの初期化
2. 弱識別器候補の評価値の算出 ・確率密度関数の作成 ・弱識別器の変形 → 確率密度関数の更新 ・二つの確率密度関数の類似度を用いて結合 ・評価値の算出
3. 弱識別器候補の選択
4. 識別器とエラー率の算出
5. 重みの更新
6. 強識別器の作成
オンライン学習1. 弱式別器をN個セレクタに分割
2. 現時刻の学習サンプルの重みを初期化
3. 分割されたセレクタから弱識別器の選択 ・弱識別器の確率密度関数の更新 ・弱識別器の評価値を算出 ・ Soft Decision Feature の選択 ・ Soft Decision Feature の弱識別器最適化 - 弱識別器の変形 → 確率密度関数の更新 - 評価値の算出
・弱識別器の選択
4. 強識別器の作成
追跡結果の比較例
( a )直立(正面) ( b )直立(横) ( c )座り込み ( d )直立(横) ( e )直立(正面)
( a )直立(正面) ( b )直立(横) ( c )座り込み ( d )直立(横) ( e )直立(正面)
Soft Decision Feature による追跡結果例
Hard Decision Feature による追跡結果例
姿勢変化に対する追跡
(a) ものを拾うシーンにおける追跡結果例
(b) 走り出すシーンにおける追跡結果例
選択された特徴量の比較
( a ) ( b ) ( c ) ( d )
(a) Soft Decision Feature による座り込み時の追跡結果(b) 座り込み時に選択された人体合成モデル
(c) Hard Decision Feature による座り込み時の追跡結果(d) 座り込み時に選択された人体合成モデル
おわりに
・ Online Real Boosting と Soft Decision Feature について報告