![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
近年自動運転走行の開発が進んで来ており,その際に必要になってくるのは信号や交通標識などの交通ルールを認識することである. 自動運転走行をしている時に信号や標識を認識する方法としては,信号や標識から通信を送り自動運転走行車が通信を受信して認識するなどが考えられる. しかし,全ての信号や標識に対してこの方法を適用するには膨大な経済資金がかかってしまい,経済面において大きな負担になってしまう.そのため既存の標識を使用して認識を行う方法としては,近年研究が注目されている機械学習を用いて標識画像から標識を認識させる事を考えた.
機械学習とは識別器に大量の学習データを学習させ,入力データの識別を行う手法である. 明暗・掩蔽・損壊など様々な条件の標識画像を学習させる事が出来るため,画像に写っている標識の状態に対して柔軟に識別する事が可能である.
本研究では形状の酷似が少ない止まれ標識画像を判定対象とし,機械学習による止まれ標識判定の精度と速度の向上を目指す.
本研究では機械学習の一種であるSVMを用いてセットした標識画像が止まれ標識かどうかの判定を行う. 特徴量としては照明などの輝度変化に堅牢なHOG特徴量を用いて行う. また,標識画像はYoutubeのドライブレコーダーの動画から標識が写っている部分のみを切り抜いた画像を使用する.
照明などの輝度変化に堅牢な特徴量としてHOG(Histgrams of Oriented Gradients)特徴を使用した.
HOG特徴とは画像の輝度の勾配方向をヒストグラム化した特徴量である.
入力画像(500×500ピクセル)の注目画素(x,y)毎に垂直方向の差分dy(1式)と水平方向の差分dx(2式)を計算する.
算出したdy, dxを用いて注目画素(x,y)における輝度の勾配方向θ(3式)と勾配強度m(4式)を計算する.
各勾配方向の頻度に対して勾配方向毎の勾配強度の重みづけをしながら局所領域(セル)毎にヒストグラム化を行う.
このとき勾配方向は-180°~180°の範囲で計算を行い, 0°未満の角度に対して180°加算する事で0°~180°の範囲になるようにし, 20°毎の9方向に勾配方向を分けてヒストグラム化する. 次に各セルのヒストグラムの勾配方向における勾配強度の2乗和が1になるようにブロック領域毎に正規化を行う.
また,今回の研究においてセル領域(50×50ピクセル),ブロック領域(3×3セル)で行った.
実際にセットした標識画像(図2.2, 図2.4)とその画像のHOG特徴量をそれぞれ可視化(図2.3, 図2.5)した一例を見せる.
