複数パスを考慮した Regression Forestsによるカメラのヨー角の推定若山 涼至，藤吉 弘亘 ( 中部大学 )

本研究の目的Regression Forestsによるノイズの影響を受けない回帰推定

単眼モーションステレオにおける問題を回帰で解く

複数パスを考慮した Regression ForestsRegression Forests

Random Forestsを回帰分析へ適用したもの

複数の回帰木を用いることで複雑な非線形回帰を表現可能

ノイズを参照すると分岐が反転し推定精度が低下

提案手法によるカメラのヨー角の推定

Y

1 2 3 4 765

3

5

6

ノイズ

8 9 10 11 12

2.2 4.3

1t=

11

8

1

4.8

2

4

11

8.1 6.7

9

10

3

11.25.7

2t= 3t= 4t=

1Y 2Y 3Y 4Y=(2.2 + 4.8 + 8.1 + 11.2) / 4 = 6.575

Y =(4.3 + 4.8 + 6.7 + 5.7) / 4 = 5.375

ky

2.2 4.8 8.1 11.2

実際のトラバーサル

ノイズの影響を受けないトラバーサル

実際の推定結果：

本来の推定結果：

ノイズによる誤差：1.2

末端ノードの出力

Y

1 2 3 4 765

3

5

6

ノイズ

8 9 10 11 12

2.2 4.3

1t=

11

8

1

4.8

2

4

11

8.1 6.7

9

10

3

11.25.7

2t= 3t= 4t=

1Y 2Y 3Y 4Y=(3.25 + 4.8 + 7.4 + 7.4) / 4 = 5.712

Y =(4.3 + 4.8 + 6.7 + 5.7) / 4 = 5.375

7.0ky

kn2

12

11

12

12

14

1

+ + +

3.25 4.8 7.4 7.4

実際のトラバーサル

ノイズの影響を受けないトラバーサル

実際の推定結果：

本来の推定結果：

ノイズによる誤差：0.34

末端ノードの出力

ノイズ参照回数

による重み

評価実験・OpenGL で生成したデータセット

　-学習：125 フレーム，評価：250 フレーム

・誤差の割合による推定精度を比較

・回帰木のパラメータ：本数 20，深さ 10，特徴選択回数 10

1m30m

距離

(a) 従来の Regression Forests (b) 提案手法

今後の展開他の問題設定において汎用性の評価

Regression Forestsのトラバーサル時において

ノイズの特徴次元を参照した場合は両方の子ノードへ分岐

]1,[ˆ21ˆ

1kk

K

knt fyY

kδ⋅⋅=∑

=

:各木の推定結果 :末端ノードの数:末端ノードまでに参照したノイズの特徴次元数

:末端ノードの出力

:末端ノードにたどり着いた場合1をもつ

ノイズを複数参照した場合は出力の信頼性を低くし

重みを小さくすることでノイズの影響を低減

末端ノードまでに参照したノイズの特徴次元数により末端ノードの出力に重み付けをする

複数パスの導入

推定したヨー角からの距離推定画像

[deg]

従来法 0.031 0.0007 0.078

0.027 0.0004 0.068

ヨー角の推定精度

提案手法

平均誤差 誤差の分散 相対誤差

1. 異なるフレーム間の画像からオプティカルフローを算出

2. 得られるオプティカルフローを Regression Forestsへ入力

3.Regression Forestsによりヨー角を回帰推定

4. 推定したヨー角から距離画像を算出

ノイズの判定カメラと地面の距離関係は常に一定

物体の無い状態の距離値をテンプレートとして

測定された距離値と異なる値を持つ領域をノイズとする

1

入力特徴ベクトル

2 31

2 3

ノイズの特徴次元

7.7ノイズ有り 5.9 ノイズ無し

ノイズで分岐が反転

入力

出力

特徴ベクトル

入力

出力

特徴ベクトル

100

150

200

250

300

0 50 100 150 200 250 300 350 400

Y

X

train sampleoutput

tree1tree2tree3tree4tree5

ヨー角から距離推定

オプティカルフロー算出

推定した距離画像からノイズ判定

Regression Forestsへ入力

回帰によりヨー角を推定

連続する2フレームの画像を取得

0

0.02

0.04

0.06

0.08

0.1

0.12

0% 10% 20% 30% 40%

誤差

[deg

]

ノイズの割合 [%]

従来法提案手法

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0 50 100 150 200

ヨー角の推定結果[deg]

フレーム(a) 推定結果 (b) ノイズの割合毎の誤差の変化

真値従来法提案手法