Skip to main content
UploadLanguage (EN)Support
BusinessMobileSocial MediaMarketingTechnologyArt & PhotosCareerDesignEducationPresentations & Public SpeakingGovernment & NonprofitHealthcareInternetLawLeadership & ManagementAutomotiveEngineeringSoftwareRecruiting & HRRetailSalesServicesScienceSmall Business & EntrepreneurshipFoodEnvironmentEconomy & FinanceData & AnalyticsInvestor RelationsSportsSpiritualNews & PoliticsTravelSelf ImprovementReal EstateEntertainment & HumorHealth & MedicineDevices & HardwareLifestyle
MPRG_Chubu_University, profile picture
Uploaded byMPRG_Chubu_University
68,100 views

局所特徴量と統計学習手法による物体検出

Technology◦
1 局所特徴量と統計学習手法による物体検出 http://mprg.jp/tutorials 機械知覚&ロボティクス研究グループ(中部大学) 中部 工学 助手 中部大学 工学部 情報工学科 講師 大学 部 ロボット理工学科 中部大学 工学部 ロボット理工学科 助手 山内 悠嗣 機械知覚＆ロボティクスグル 487-8501 愛知県春日井市松本町120 Tel 0568-51-8249 Fax 0568-51-9409 yuu@vision.cs.chubu.ac.jp http://vision.cs.chubu.ac.jp MACHINE PERCEPTION AND 中部大学 工学部 情報工学科 講師 山下 隆義 機械知覚＆ロボティクスグループ 487-8501 愛知県春日井市松本町1200 Tel 0568-51-9670 Fax 0568-51-1540 yamashita@cs.chubu.ac.jp http://vision.cs.chubu.ac.jp 博士（工学） MACHINE PERCEPTION AND ROBOTICS GROUP 中部大学 工学部 ロボット理工学科 教授 藤吉 弘亘 機械知覚＆ロボティクスグループ 487-8501 愛知県春日井市松本町1200 Tel 0568-51-9096 Fax 0568-51-9409 hf@cs.chubu.ac.jp http://vision.cs.chubu.ac.jp 博士（工学） MACHINE PERCEPTION AND ROBOTICS GROUP
はじめに 1. Haar-like特徴量と顔検出 2. AdaBoost - 基礎知識と特徴 - アルゴリズムの解説 3. HOG特徴量 - 算出手順の解説 4. Real AdaBoost - AdaBoostとの違い - アルゴリズムの解説 5. 人検出 - 識別実験と検出例 6. 第3世代の特徴量 2
デジカメの認識技術 4 3 3
• 顔検出 ‒ 画像中から顔の位置を検出する技術 • 顔認識 ‒ データベースの中から特定の人物の顔を認識する技術 デジカメの顔認識？顔検出？ ココに顔があります！ 真希 李 ダニエル トム この顔は真希ちゃんです！ 4
顔検出 OMRON OKAOVISION • 画像の中から「位置」,「大きさ」,「顔の傾き」,「画像 の回転」,「顔向き」,「照明変化」,「隠れ」に関わらず 人の顔の位置と大きさを特定すること 5
1. Haar-like特徴量と顔検出 6
人間の視覚に学ぶ ※ヒューマン・フロンティア・サイエンス・プログラム(HFSP)広報誌「乳児の視覚学習の研究」より • 人間は生まれた直後でも，目と口を表す3つの黒い点に
 注目することが知られている 7
8 特徴的なところだけ着目 大まかな明暗差 顔を見つける着眼点 • 全体を見なくても，特徴点な部分を見れば顔とわかる • 細かな特徴を見なくても，大まかな明暗差で顔とわかる
Haar-like特徴：局所的な明暗差 • Haar-like特徴 [Viola & Jones, CVPR 01] 9 大人 暗 明 暗明 暗 明
Haar-like特徴：局所的な明暗差 • Haar-like特徴 [Viola & Jones, CVPR 01] 10 表情 暗 明 暗明 暗 明
Haar-like特徴：局所的な明暗差 • Haar-like特徴 [Viola & Jones, CVPR 01] 11 子供 暗 明 暗明 暗 明
Haar-like特徴：局所的な明暗差 • Haar-like特徴 [Viola & Jones, CVPR 01] 12 人種 暗 明 暗明 暗 明
Haar-like特徴：局所的な明暗差 人種 暗明暗 明 暗 明 子供 表情大人 Haar-like特徴 →大人、子供、表情、人種に関係なく共通な特徴 • Haar-like特徴 [Viola & Jones, CVPR 01] 13
Haar-like特徴：顔は局所的な明暗差の集合 暗明暗 明 暗 明 →大量のサンプルから局所領域の集合を学習 ３個では少ないので. . . • 複数の明暗差を捉えることで顔であるか否かを判定可能 14
Haar-like特徴の算出 • 特徴量H(r1,r2) ＝ AとBの平均輝度の差を算出 領域Aの平均輝度 領域Bの平均輝度 • ２つの領域の輝度差に着目し，局所的なエッジ成分• 線成分をとらえる € H(r1,r2) = S(r1) − S(r2)A B Haar-likeパターン 顔の特徴を捉えることが可能 15
学習サンプルの作成 画像（数千枚） ポジティブサンプル（顔画像） ネガティブサンプル（非顔画像） 一定サイズに正規化 一定サイズに正規化 • 大量の画像からポジティブサンプル(顔)とネガティブサン プル(非顔)を用意 ・・・ ・・・ 16
Haar-like特徴量の評価 • 学習サンプルからHaar-like特徴を評価 ポジティブサンプル ネガティブサンプル 明暗差小 大 ・・・ ・・・ 評価値：Z=0.5 ポジティブ サンプル ネガティブ サンプル 顔非顔 17
・・・ Haar-like特徴量の評価 • 学習サンプルからHaar-like特徴を評価 ポジティブサンプル ネガティブサンプル 18 小 大 ポジティブ サンプル ネガティブ サンプル 評価値：Z=0.8 明暗差 顔非顔 ・・・
19 Haar-like特徴量の評価 • 学習サンプルを用いて、Haar-likeパターン、位置、
 大きさを変化させて数十万通りを評価 Haar-likeパターン 明暗差小 大 評価値：Z=0.5 顔非顔 小 大明暗 顔非顔 評価値：Z=0.8 ・・・ →顔と非顔と判別するのに有効 学習サンプル ・ ・
20 機械学習 • 人間が用意した大量の顔と非顔画像データで学習させて、 コンピュータに判別基準（識別器）を作らせる ‒ 人がコンピュータに教えるのではなく、コンピュータ自身に良 い特徴パターンを見つけさせる • 識別器 ‒ 入力特徴（Haar-like特徴による明暗差）から顔／非顔に判別 ‒ 一つでは足りないので複数の識別器の多数決で最終判定 (AdaBoost) 機械学習 識別器 AdaBoost SVM 学習サンプル ・・・ ・・・
統計的学習手法AdaBoostの学習 AdaBoost h1(   ), α1 弱識別器h 重みα 学習により弱識別器と重みを決定 学習サンプル ・ ・ ・ 評価値 Haar-like特徴 位置・サイズ・形状を変えて 約18万個のHaar-like特徴を評価 評価 Z=0.8 評価 Z=0.3 評価 Z=0.5 評価 Z=0.6 MAX サンプルの更新 21
統計的学習手法AdaBoostの学習 AdaBoost h1(   ), α1 弱識別器h 重みα 学習により弱識別器と重みを決定 学習サンプル 評価値 Haar-like特徴 位置・サイズ・形状を変えて 約18万個のHaar-like特徴を評価 22 h2(   ), α2 ・ ・ ・ 評価 Z=0.5 評価 Z=0.2 評価 Z=0.7 評価 Z=0.3 MAX サンプルの更新
統計的学習手法AdaBoostの学習 AdaBoost h1(   ), α1 弱識別器h 重みα 学習により弱識別器と重みを決定 学習サンプル 評価値 Haar-like特徴 位置・サイズ・形状を変えて 約18万個のHaar-like特徴を評価 23 h2(   ), α2 hT(   ), αT ・ ・ ・ 評価 Z=0.4 評価 Z=0.9 評価 Z=0.3 評価 Z=0.7 サンプルの更新 MAX ・ ・ ・
顔検出：検出ウィンドウのラスタスキャン h1(    ) α1 h2(    ) α2 入力画像 識別器：AdaBoost hT(    ) αT 弱識別器h 重みα 出力 ・ ・ -0.5 識別結果： 非顔 ・ ・ ＋ ＋ ＋ -0.９ -0.3 -0.1  出力値： 検出ウィンドウ 24
顔検出：検出ウィンドウのラスタスキャン -0.0 -0.1 h1(    ) α1 h2(    ) α2 入力画像 識別器：AdaBoost hT(    ) αT 弱識別器hh 重みα 出力 ・ ・ -0.2 識別結果： 非顔 ・ ・ ＋ ＋ ＋ -0.3 出力値： 検出ウィンドウ 25
顔検出：検出ウィンドウのラスタスキャン 0.1 0.3 0.5h1(    ) α1 h2(    ) α2 入力画像 識別器：AdaBoost hT(    ) αT 弱識別器h 重みα 出力 ・ ・ 識別結果： 顔 ・ ・ ＋ ＋ ＋ 2.3 出力値： 検出ウィンドウ 26
顔検出：識別器のラスタスキャン Haar-like 特徴 AdaBoost h1(    ) α1 → 0.5 h2(    ) α2 → 0.3 hT(    ) αT → 0.1 弱識別器h 重みα 出力 ・ ・ ＋ ＋ ＋ ・ ・ 顔／非顔を判定 http://vimeo.com/12774628 = 2.3 27
CV Dazzle（dazzle＝迷彩を施す） http://ahprojects.com/work/cv-dazzle 28
統計的学習手法と画像局所特徴量 特徴量を汎化のあるモデルへ 多様な変化が生じても 共通な情報に選択 Neural Network, SVM, AdaBoost 統計的学習手法（識別器） 認識する物体の情報を抽出 多様な変化が生じても 共通な情報に変換 エッジ, カラー, Haar-like, HOG 画像局所特徴量 →学習手法の進化とともに特徴量も進化 29
2. AdaBoost - 基礎知識と特徴 - アルゴリズムの解説 30
AdaBoostとは • 統計的学習手法 Boostingの１つ ‒ 1997年にY.Freund等が提案[Freund 97] • 学習サンプルの重みを適応的(adaptive)に更新 ‒ 計算量の爆発と汎化性能の低下を抑制 ‒ 誤識別したサンプルに対し重みαを増加 • 最終識別器は弱識別器の重み付き多数決 31
AdaBoostの特徴 • 識別精度が高い ‒ 汎化性能に対する理論的な裏付け ‒ 学習後期では識別の困難なデータに特化 • 解析が容易 ‒ 特徴選択の傾向などを後から調査 32
学習アルゴリズム 33
1,2 前処理 1. 前処理 – N 個の学習サンプル  を用意 • : 画像 • : クラスラベル ‒ 顔には+1, 非顔には-1 2. 学習サンプルの重みの初期化 ‒ 各サンプルの重み  を均等にする 34
学習アルゴリズム 35
3.1 弱識別器候補 • 基本的に設計は自由 ‒ 1か-1を出力する関数 ‒ エラー率が0.5以下 • Viola&Jonesの顔検出では閾値関数を使用 ‒ ある1つの特徴量に対する分布を観測 v p ht：tラウンド目の弱識別器 ：特徴量 ：閾値 ：不等号の向きを決定する  変数（1or-1） ht(x) = 1 p · v(x) > p · 1 otherwise 36
学習アルゴリズム 37
• 弱識別器に対するエラー率 を算出 ‒ 弱識別器hの応答値とクラスラベルが異なった場合サンプルの 重みを足し合わせる ‒ エラー率が0.5を超えたら、弱識別器のパリティpを反転 3.2 エラー率の算出 et,m = N i:ht(xi)=yi Dt(i) Neg← →Pos 出現確率 p = -1 Pos← →Neg 出現確率 et,m Pos Neg Pos Neg et,m = 0.65 et,m = 1 (0.65) = 0.35 38
学習サンプル Negative Positive AdaBoostの学習 エラー率 MIN e弱識別器候補h e弱識別器候補h e弱識別器候補h 39
学習アルゴリズム 40
• 4. エラー率 が最小となるhを現在のラウンドの
 弱識別器として採用 • 5. 採用した弱識別器に対する重み を算出 重み = 信頼度 4,5 弱識別器の選択と重みの算出 ht = arg min et,m t = 1 2 ln 1 et et ⇥ t (ln = loge) ※ et = 0.067 = 1 2 ln( 0.933 0.067 ) = 1 2 ln 13.925 = 1.316 ・優秀な弱識別器 et = 0.241 = 1 2 ln( 0.759 0.241 ) = 1 2 ln 3.149 = 0.574 ・標準的な弱識別器 et = 0.5 = 1 2 ln( 0.5 0.5 ) = 1 2 ln 1 = 0 ・半分しか正解できない弱識別器 et 41
学習アルゴリズム 42
6. 学習サンプルの重みの更新 6,7 サンプルの重みの更新と正規化 Dt+1(i) = Dt(i) exp( tytht(xi)) Dt+1(i) = Dt+1(i) N i=1 Dt(i) exp( tytht(xi)) h =1(顔) h =-1(非顔) y = 1ラベルy = 1ラベル ytht(xi) = 1 ytht(xi) = 1 となり、 重みは低くくなる Dt+1(i) = Dt(i) exp( t) となり、 重みは高くなる Dt+1(i) = Dt(i) exp( t) 43 7. 学習サンプルの重みの更新
• サンプルの重みの更新シミュレーション ‒ 弱識別器：座標軸と平行な境界を持つ閾値関数 重みの更新の過程(1/4) 1 : 0.1432 : 0.143 3 : 0.143 4 : 0.143 5 : 0.143 6 : 0.143 7 : 0.143 特徴量 1v 特徴量2v ・学習サンプル数 N : 7 : positive : negative ・弱識別器候補数 m : 2 ( = 特徴次元数) ・重みの初期値 : 0.143 ( D1(i) = 1/N) 44
重みの更新の過程(2/4) • 1st Round 1 : 0.1432 : 0.143 3 : 0.143 4 : 0.143 5 : 0.143 6 : 0.143 7 : 0.143 et,m = N i:ht(xi)=yi Dt(i)エラー率 : = 0.143 t = 1 2 ln 1 et et ⇥ 弱識別器の重み : (信頼度) = 0.895 特徴量 1v 特徴量2v 1 : 0.0842 : 0.084 3 : 0.084 4 : 0.084 5 : 0.500 6 : 0.084 7 : 0.084 特徴量 1v 特徴量2v Dt+1(i) = Dt(i) exp( tytht(xi)) サンプル1 : 0.143*exp(-0.895*(1)*(1)) = 0.0572 サンプル2 : 0.143*exp(-0.895*(1)*(1)) = 0.0572 サンプル3 : 0.143*exp(-0.895*(1)*(1)) = 0.0572 サンプル4 : 0.143*exp(-0.895*(1)*(1)) = 0.0572 サンプル5 : 0.143*exp(-0.895*(-1)*(1)) = 0.338 サンプル6 : 0.143*exp(-0.895*(-1)*(-1)) = 0.0572 サンプル7 : 0.143*exp(-0.895*(-1)*(-1)) = 0.0572 = 0.681 +) → 0.0572/0.681 = 0.084 → 0.0572/0.681 = 0.084 → 0.0572/0.681 = 0.084 → 0.0572/0.681 = 0.084 → 0.338/0.681 = 0.500 → 0.0572/0.681 = 0.084 → 0.0572/0.681 = 0.084 重み更新 : 重み更新              正規化 45
et,m = N i:ht(xi)=yi Dt(i)エラー率 : = 0.084+0.084 = 0.168 t = 1 2 ln 1 et et ⇥ 弱識別器の重み : (信頼度) = 0.800 1 : 0.0842 : 0.084 3 : 0.084 4 : 0.084 5 : 0.500 6 : 0.084 7 : 0.084 特徴量 1v 特徴量2v 特徴量 1v 1 : 0.0502 : 0.050 3 : 0.250 4 : 0.250 5 : 0.300 6 : 0.050 7 : 0.050 特徴量2v サンプル1 : 0.084*exp(-0.800*(1)*(1)) = 0.0377 サンプル2 : 0.084*exp(-0.800*(1)*(1)) = 0.0377 サンプル3 : 0.084*exp(-0.800*(1)*(-1)) = 0.187 サンプル4 : 0.084*exp(-0.800*(1)*(-1)) = 0.187 サンプル5 : 0.500*exp(-0.800*(-1)*(-1)) = 0.225 サンプル6 : 0.084*exp(-0.800*(-1)*(-1)) = 0.0377 サンプル7 : 0.084*exp(-0.800*(-1)*(-1)) = 0.0377 = 0.750 +) → 0.0377/0.750 = 0.050 → 0.0377/0.750 = 0.050 → 0.187/0.750 = 0.250 → 0.187/0.750 = 0.250 → 0.225/0.750 = 0.300 → 0.0377/0.750 = 0.050 → 0.0377/0.750 = 0.050 重み更新              正規化 重みの更新の過程(3/4) 46 • 2nd Round Dt+1(i) = Dt(i) exp( tytht(xi))重み更新 :
et,m = N i:ht(xi)=yi Dt(i)エラー率 : = 0.050 t = 1 2 ln 1 et et ⇥ 弱識別器の重み : (信頼度) = 1.47 1 : 0.0502 : 0.050 3 : 0.250 4 : 0.250 5 : 0.300 6 : 0.050 7 : 0.050 特徴量 1v 特徴量2v 特徴量 1v 特徴量2v 1 : 0.498 2 : 0.0246 3 : 0.132 4 : 0.132 5 : 0.158 6 : 0.0246 7 : 0.0246 サンプル1 : 0.050*exp(-1.47*(1)*(-1)) = 0.217 サンプル2 : 0.050*exp(-1.47*(1)*(1)) = 0.0115 サンプル3 : 0.250*exp(-1.47*(1)*(1)) = 0.0575 サンプル4 : 0.250*exp(-1.47*(1)*(1)) = 0.0575 サンプル5 : 0.300*exp(-1.47*(-1)*(-1)) = 0.0690 サンプル6 : 0.050*exp(-1.47*(-1)*(-1)) = 0.0115 サンプル7 : 0.050*exp(-1.47*(-1)*(-1)) = 0.0115 = 0.436 +) → 0.217/0.436 = 0.498 → 0.0115/0.436 = 0.0264 → 0.0575/0.436 = 0.132 → 0.0575/0.436 = 0.132 → 0.0690/0.436 = 0.158 → 0.0115/0.436 = 0.0264 → 0.0115/0.436 = 0.0264 重み更新              正規化 重みの更新の過程(4/4) 47 • 3rd Round Dt+1(i) = Dt(i) exp( tytht(xi))重み更新 :
学習アルゴリズム 48
8 最終識別器の構築 • すべての弱識別器に信頼度で重みをつけて 多数決をと る形になる – Hが閾値 より高ければ人、低ければ非人と判定 H(x) = sign T⇤ t=1 tht(x) ⇥ ⇥ 1st round : 0.895 2nd round : 0.800 3rd round : 1.47 1:0.2252 : 3.165 3 : 1.565 4 : 1.565 5 : -1.375 6 : -3.165 7 : -3.165 弱識別器 強識別器 + + = 49
実装時のポイント • 学習回数(ラウンド) ‒ 任意(100∼2000回) • 学習サンプル ‒ 多ければ多い方がよい • 統計的信頼性の確保 • 多様なパターンに対応 ‒ 顔検出では約10,000枚、人検出では2,000∼5,000枚 50
顔検出のリアルタイムデモ processing+OpenCV 51
まとめ • Haar-like特徴量 ‒ 2つの領域の輝度差による特徴量 ‒ 複数のパターンの集合により物体を捉える • AdaBoost ‒ サンプルの重みを逐次更新する適応的な学習法 ‒ 最終識別器は、信頼度で重み付けられた弱識別器による多数決 52
3. HOG特徴量 - 算出手順の解説 53
人検出の難しさ：見え(アピアランス)の多様性 • 人検出における課題 ‒ 照明変動 ‒ 姿勢の変化 ‒ 視点に違いによるシルエットの見えの違い ‒ 画像上の人同士の重なりによるオクルージョン  54
人らしさとは？ • カラー? 55
人らしさとは？ • カラー? → 明暗差? 56
人らしさとは？ • カラー? → 明暗差? → エッジ 57
人らしさとは？ • 全サンプルのエッジ画像の平均をとってみると 58 平均勾配画像人画像（約3,000枚）
人らしさを捉える特徴量：HOG • Histograms of Oriented Gradients[Dalal, CVPR 05] ‒ 局所領域におけるエッジ(勾配)の方向を
 ヒストグラム化した特徴量  59 エッジ方向の方向ヒストグラム
HOG特徴量の算出アルゴリズム 1. 輝度の勾配方向と勾配強度の算出 2. ヒストグラムの作成 3. ブロック領域による正規化 60 入力画像 セル( 5 5ピクセル ) ブロック( 3 3セル ) 勾配方向ヒストグラム
HOGの算出法1 1. 輝度の勾配方向と強度の算出 2. ヒストグラムの作成 ‒ 0 から180 までを、20 ずつ９方向に分割 fx(x, y) = L(x + 1, y) L(x 1, y) fy(x, y) = L(x, y + 1) L(x, y 1) m(x, y) = fx(x, y)2 + fy(x, y)2 (x, y) = tan 1 fy(x, y) fx(x, y) 勾配強度： 勾配方向： 61
HOGの算出法2 3. ブロック領域での正規化 ‒ あるn番目のHOG特徴量について正規化 ‒ 分母は1ブロック(q qセル)含まれるHOG特徴量の総和 ‒ 1つのセルに対し複数回の正規化 ‒ 例：30 60の入力画像の場合 • 1セル：5 5ピクセル、1ブロック：3 3セル v(n) = v(n) ⌃ ⇧ ⇧ ⌅ q q N⇤ k=1 v(k)2 ⇥ + ( = 1) N：勾配方向数 (4 10) (3 3) 9 = 3,240個(次元)のHOG特徴量 正規化回数 1ブロックのセル数 勾配方向数 62
HOG特徴量の可視化 • 勾配方向と勾配強度を可視化 ‒ 輝度が高いほど勾配強度が高い 0 40 80 120 160 63
Support Vector Machine (SVM) • 識別面と2クラスのサンプルの距離(マージン)を最大とす る識別境界を決定する統計的学習手法 ‒ マージン最大化を行うことで汎化性能の高い識別器を学習 ‒ カーネル関数を利用することで非線形識別境界も得られる 64 クラス1 クラス2 クラス1 クラス2 マージン サポート ベクター
HOG特徴量とSVMによる人検出 65 サンプル画像 HOG特徴量x • SVMから得られる重みベクトルwによる重み付け ‒ ポジティブ : 人の形状を表わすHOGに反応 ‒ ネガティブ : 人の形状とは反対の勾配方向に反応 w > 0の重みwに よる重み付け w < 0の重みwに よる重み付け
4. Real AdaBoost - AdaBoostとの違い - アルゴリズムの解説 66
AdaBoostの学習 学習サンプル HOG算出 3240次元 エラー率 MIN 弱識別器h e 弱識別器h e 弱識別器h e 弱識別器h e 選択された弱識別器 h1 ( ) , α1 弱識別器 重み 67
AdaBoostの学習 学習サンプル HOG算出 3240次元 エラー率 MIN弱識別器h e 弱識別器h e 弱識別器h e 弱識別器h e 選択された弱識別器 h1 ( ) , α1 弱識別器 重み h2 ( ) , α2 68
AdaBoostの学習 学習サンプル HOG算出 3240次元 エラー率 MIN 弱識別器h e 弱識別器h e 弱識別器h e 弱識別器h e 選択された弱識別器 h1 ( ) , α1 弱識別器 重み h2 ( ) , α2 hT ( ) , αT 69
人： 非人：otherwise AdaBoostによる識別 未知入力パターン HOG特徴量算出 選択された弱識別器 h1 ( ) × α1 弱識別器 重み h2 ( ) × α2 hT ( ) × αT + + + H(x) > H(x) = T t=1 tht(x)強識別器： ※閾値： 70
AdaBoostとReal AdaBoost • AdaBoost(Discrete AdaBoost) ‒ 弱識別器の出力(1,-1)にαで重み付けて結合することで最終 識別器を構築 • Real AdaBoost [Schapire 99] ‒ AdaBoostからの派生 ‒ 弱識別器の出力が特徴量の分布に応じて実数値化(real) ‒ サンプルに対しどの程度の識別が可能であるかが分かる ‒ 少ない弱識別器で高精度な検出 • 学習の収束が早い 効果的な重みの更新が可能 71
学習アルゴリズム 72
1,2 前処理 1. 前処理 – N個の学習サンプル • : 画像 • : クラスラベル ‒ 人には+1, 非人には-1 2. 学習サンプルの重みの初期化 ‒ 各サンプルの重み  を均等にする 73
学習アルゴリズム 74
• 特徴量をBINに変換しサンプルの重みを足し合わせ、分布(ヒ ストグラム)を作成 ネガティブサンプル（ ） 3.1 確率密度関数 0 1 2 … 62 63 出現確率 特徴量 j （BIN） 0 1 2 … 62 63 出現確率 特徴量 j （BIN） ポジティブサンプル（ ） … … 75
学習アルゴリズム 76
3.2 弱識別器の評価値算出 • 2つの分布のBhattacharyya距離で類似度を算出 • 類似度が低い→分離し易い 出現確率 特徴量 j （BIN） 小 = 分布が分離しずらい →識別に有効ではない 大 = 分布が分離しやすい →識別に有効 評価値 : 出現確率 特徴量 j （BIN） 識別に有効な特徴量 z = 1 j ⇥ Wj +Wj 77
学習アルゴリズム 78
= 0.15, = 0.15 = 0.0 4 最もz が高い弱識別器を選択 • z が高い = 識別に有効な弱識別器 ‒ 弱識別器の出力 : 学習ラウンド : 弱識別器の番号 ( ) = 0.1, = 0.2 = -1.39 = 0.26, = 0.12 = 1.54 出現確率 特徴量 j （BIN） 出現確率 特徴量 j （BIN） 出現確率 特徴量 j （BIN） 79
学習アルゴリズム5 80
• 学習サンプルの重みの更新 • 学習サンプルの重みの正規化 学習アルゴリズム5 = 0.15, = 0.15 = 0.0 = 0.1, = 0.2 = -1.39 = 0.26, = 0.12 = 1.54 出現確率 特徴量 j （BIN） 出現確率 特徴量 j （BIN） 出現確率 特徴量 j （BIN） ポジティブ サンプル ネガティブ サンプル 重みを高く 重みを低く ポジティブ サンプル ネガティブ サンプル 重みを低く 重みを高く ポジティブ サンプル ネガティブ サンプル 重みはそのまま 81
学習アルゴリズム6 82
• 強識別器の生成 ‒ 弱識別器の線形和 • 弱識別器の出力値が実数であるため、AdaBoostのように 重みαは必要ない – Hが閾値 より高ければ人、低ければ非人と判定 学習アルゴリズム6 H(x) = sign T⇤ t=1 ht(x) ⇥ 83
識別実験 • 予め切り出された画像を用いて評価 • 比較手法 ‒ HOG+AdaBoost ‒ HOG+Real AdaBoost • データベース(CUデータセット) ‒ 評価用は位置ずれを含む ・学習用 ・評価用 ポジティブサンプル : 2,054枚 ポジティブサンプル : 1,000枚 ネガティブサンプル : 6,258枚 ネガティブサンプル : 1,234枚 84
評価方法 • DET (Detection Error Tradeoff)カーブ ‒ 横軸に誤検出率、縦軸に未検出率 ‒ 閾値を変化させながらプロット ‒ 誤検出率に対する未検出率を比較が可能 左下に向かうほど、精度が良い 85
• DETカーブによる識別精度の比較 識別結果 86
5. 人検出 - 識別実験と検出例 87
• 画像中のどこに人が存在するかを探索   →検出ウィンドウをラスタスキャン • 人と判定された複数の領域の統合   →MeanShiftクラスタリング 人検出の実装 88
識別器のラスタスキャンによる人検出 人以外 人 検出ウィンドウのラスタスキャン 人 識 別 器 (c) 識別結果の統合前 識別器による人画像の識別 (d) 識別結果の統合結果 識 別 結 果 の 統 合 処 理 検出器 89
検出ウィンドウのラスタスキャン • 画像中に検出ウィンドウを網羅的に走査 • スケールを徐々に変化させながら探索 ：検出ウィンドウ ：検出された領域 ■：検出された領域の中心点 90
MeanShiftによるクラスタリング • 一人に対して複数のウィンドウが人として検出 – MeanShiftクラスタリングにより点の密度が 極値となる点へ移動 – 極値へ移動後，Nearest Neighborにより近隣の 検出ウィンドウと統合 統合前 統合後 91
• x方向、y方向、scaleの3次元でのクラスタリング ‒ 人として判定された検出ウィンドウの中心座標 からMeanShift Vectorを算出 ‒ 調整するパラメータは 探索ウィンドウの半径hのみ MeanShiftクラスタリング[Comaniciu 02] MeanShift Vector： カーネル関数： m(x) = n⌅ i=1 xik ⇥ x xi h 2⇤ n⌅ i=1 k ⇥ x xi h 2⇤ x 92
Nearest Neighbor(最近傍決定則) • 各サンプル点の座標上の距離を観測し 最も近いサンプル点を探索 ‒ クラスタリングされた検出ウィンドウの中心座標を 1つの点に統合 • 距離dが閾値thを下回ればサンプル点を統合 d = (x xi)2 + (y yi)2ユークリッド距離： 93
検出ウィンドウの統合 94
検出ウィンドウの統合 95
検出ウィンドウの統合 96
検出ウィンドウの統合 97
人検出例 • HOG+Real AdaBoostの検出結果 98
Real AdaBoostのソースコード • Real AdaBoost + HOG ‒ URL : http://www.vision.cs.chubu.ac.jp/CVTutorial/ • 入力画像からHOG特徴量を算出し，2クラス識別器を構築 ‒ Dataset : CU-Dataset ‒ 作成環境 : Visual Studio ver. 2005 ‒ ライブラリ : OpenCV 99
データベースの作成 • 統計的学習手法による高精度な物体検出を実現するには ‒ 大量の学習サンプル：10,000枚以上（人の場合) ‒ 安定したポジティブサンプルの切り出し(位置ずれなし) 100