1. 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 Forests
Regression 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
Yˆ
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=
1Yˆ
2Yˆ
3Yˆ
4Yˆ
=(2.2 + 4.8 + 8.1 + 11.2) / 4 = 6.575
Yˆ =(4.3 + 4.8 + 6.7 + 5.7) / 4 = 5.375
kyˆ
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
Yˆ
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=
1Yˆ
2Yˆ
3Yˆ
4Yˆ
=(3.25 + 4.8 + 7.4 + 7.4) / 4 = 5.712
Yˆ =(4.3 + 4.8 + 6.7 + 5.7) / 4 = 5.375
7.0kyˆ
kn
2
1
2
1
1
1
2
1
2
1
4
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,[ˆ
2
1ˆ
1
kk
K
k
nt fyY k
δ⋅⋅= ∑=
: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 sample
output
tree1
tree2
tree3
tree4
tree5
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