画像特徴量とサポートベクターマシンを用いた歩行者用信号機の検出手法の提案
をテンプレートにして作成
[
トップ
] [
新規
|
一覧
|
検索
|
最終更新
|
ヘルプ
|
ログイン
]
開始行:
[[太田研 公開用Wiki]]
#contents
*はじめに [#p6a0a28d]
**研究背景 [#lf2298d3]
近年，店舗や倉庫内など限定された環境下において自律走行ロ...
つくばチャレンジとは，人々が実際に生活している市街地や公...
以下からはつくばチャレンジ2022のコースや課題内容をもとに...
#ref(course.png,center,20%)
CENTER:図1:2022年度の課題コースの地図
つくばチャレンジでは必須課題と選択課題がある．必須課題は...
-事前計測なしエリア
--本走行で初めて訪れるエリア(つくば市役所庁舎内)を自律走...
-信号認識横断
--信号あり横断歩道において，歩行者用信号機と交差点内の安...
-チェックポイント通過＋経路封鎖迂回
--公園内で，複数のチェックポイントをすべて通過し，かつ通...
-探索対象発見
--公園内の探索エリアで，探索対象の複数のマネキン人形をす...
この中でも実環境下での自律走行において，歩行者用信号機の...
**研究目的 [#j3878d88]
自律走行ロボットで「信号認識横断」のためのソフトウェアを...
そこで本研究では画像特徴量とサポートベクターマシン（SVM）...
本研究では，複数の画像特徴量や特徴量同士を組み合わせたも...
なお，本研究における検出対象は，図2に示すような白熱電球型...
#ref(signal.png,center,20%)
CENTER:図2:検出対象の歩行者用信号機の一例
*歩行者用信号機の検出手法 [#t47cb979]
**先行研究について [#f47d8704]
先行研究[2]では，画像中から歩行者用信号機の状態を検出する...
また，先行研究[3]では，屋外の看板検出においてHOG特徴やLBP...
本研究ではこれらの先行研究をもとに，色相特徴，HOG特徴，LB...
なお以下からは，HOG特徴と色相特徴を組み合わせた特徴量を「...
また，先行研究や本研究で用いているサポートベクターマシン(...
**検出手法の概要 [#dbeba253]
***学習手順 [#o997f723]
以下の手順でサポートベクターマシン(SVM)の学習を行う．この...
+学習用画像を入力
--図3，図4に示すような画像を入力する
#ref(Positive.png,center,20%)
CENTER:図3:ポジティブサンプルの例
#ref(Negative.png,center,20%)
CENTER:図4:ネガティブサンプルの例
+画像特徴量を算出
--色相特徴，HOG特徴，LBP特徴，HOG特徴+色相特徴，LBP特徴+...
+画像のラベルを入力
--ポジティブ・ネガティブの2種類のラベルを入力する
+サポートベクターマシン(SVM)で学習
-- 2種類のハイパーパラメータを決定し入力する
+学習結果の出力
--出力されたものが識別器になる
***検出手順 [#mc8cfb97]
以下の手順で画像中から歩行者用信号機の状態を検出する．
+画像を入力
--図5に示すような画像を入力する
#ref(input_image.jpg,center,150%)
CENTER:図5:入力する画像の一例
+信号の灯火色（赤または緑）を抽出
--図5に対して，信号機の緑色付近のみの色を抽出したものが図...
#ref(c_e_image.jpg,center,150%)
CENTER:図6:図5に色抽出を行った結果
+ノイズ除去
--色抽出を行った画像に対し，メディアンフィルタや膨張収縮...
+ラベリング処理
--ラベリング処理により，候補領域を絞り込む．図6に対し，ノ...
#ref(l_image.jpg,center,150%)
CENTER:図7:図6にノイズ除去とラベリング処理を行った結果
+候補領域の画像特徴量を算出
--ラベリング処理によって絞り込んだ候補領域にて色相特徴，H...
+識別結果の出力
--算出した特徴量を識別器に入力することで識別結果が出力さ...
実際に歩行者用信号機を検出すると，画像中の該当部分を青い...
#ref(red01.jpg,center,40%)
CENTER:図8:赤信号の歩行者用信号機を検出した画像例1
#ref(red02.jpg,center,50%)
CENTER:図9:赤信号の歩行者用信号機を検出した画像例2
#ref(green01.jpg,center,40%)
CENTER:図10:青信号の歩行者用信号機を検出した画像例1
#ref(green02.jpg,center,50%)
CENTER:図11:青信号の歩行者用信号機を検出した画像例2
**候補領域の抽出に関する各処理の説明 [#wdcb2f03]
***信号の灯火色の抽出とノイズ除去 [#i898a8cd]
信号の灯火色の抽出する処理においてはHSV色空間に変換し，抽...
HSV色空間とは，色彩の情報を色相（Hue），彩度（Saturation...
本研究では以下のしきい値で信号の灯火色を抽出した．なおOpe...
CENTER:表1:信号の灯火色の抽出範囲
| | 色相(Hue) | 彩度(Saturation)| 明度(Value)|h
|赤信号| 0～20, 160～179| 70～255 | 100～255 |
|青信号| 60～100 | 60～255 | 0～255 |
上記の条件で抽出を行った後に，メディアンフィルタを画像全...
***ラベリング処理と候補領域の抽出 [#g3718cf0]
ラベリング処理とは，複数のブロブが画像内に存在する場合に...
信号の灯火色（赤または緑）を抽出した後の画像に対して，こ...
歩行者用信号機は基本的に道路を挟んだ場所に設置されている...
**画像特徴量 [#d95b7615]
画像特徴量とは，画素に含まれる様々な数値を特定のアルゴリ...
***色相特徴 [#jcc0ffda]
色相値の出現頻度をヒストグラム化した特徴量である．
***HOG特徴 [#q7938304]
1つの局所領域内におけるエッジ方向ごとのエッジ強度に注目し...
#ref(hog.png,center,25%)
CENTER:図12:HOG特徴の算出の手順
***LBP特徴 [#b4b903b0]
中心画素とその周囲の画素との輝度の差を比較し，相対値をヒ...
図13をもとに具体的に説明する．まず中心画素の輝度値を95と...
#ref(lbp_calc.png,center,25%)
CENTER:図13:LBP値の算出の手順
本研究では，図14のように画像を4つの局所領域に分割し，局所...
#ref(lbp.png,center,25%)
CENTER:図14:LBP特徴の算出の手順
***HOG特徴+色相特徴, LBP特徴+色相特徴 [#h55a1fb5]
HOG特徴, LBP特徴それぞれと色相特徴のヒストグラムを結合し...
そこで，色相特徴と組み合わせることにより，HOG特徴やLBP特...
**サポートベクターマシン(SVM) [#xd4ae75c]
サポートベクターマシン(SVM)とは2クラス分類問題の代表的手...
マージン最大化という基準を用いて，データからできるだけ離...
#ref(parameter_c.png,center,25%)
CENTER:図15:コストパラメータCを変化させたイメージ
また，複雑な決定境界を学習させる場合は，カーネル関数を用...
#ref(parameter_g.png,center,25%)
CENTER:図16:RBFカーネルのハイパーパラメータγを変化させた...
*実験方法 [#n96f89d3]
**SVMのハイパーパラメータの最適値決定と汎化性能の評価方法...
本研究では，グリッドサーチ，ホールドアウト法，層化k分割交...
#ref(my_cv_method.png,center,25%)
CENTER:図17:SVMの最適なパラメータの決定と検出・汎化性能の...
+「訓練・テストデータ」と「評価データ」に分割
--まず，最初にポジティブ画像とネガティブ画像のデータセッ...
+「訓練・テストデータ」を用いた層化k 分割交差検証
--その後，「訓練・テストデータ」を用いて分割数10(k=10)で...
--層化k分割交差検証では分割数分の結果が出力される．本研究...
---TP(True Positive)：正解画像（歩行者用信号機）に対し，...
---TN(True Negative)：不正解画像（歩行者用信号機以外）に...
---FP(False Positive)：不正解画像（歩行者用信号機以外）に...
---FN(False Negative)：正解画像（歩行者用信号機）に対し，...
--上記の分類をもとに正解率は以下の式で表すことができる．
#ref(acc.png,center,60%)
+「評価データ」を用いた最終的なモデル評価
--最後に，先の交差検証をもとに算出した正解率の上位25 種の...
--精度(Precision)・再現率(Recall)・偽陽性率(FPR, False Po...
**データセットとハイパーパラメータの探索範囲 [#p2ab38a1]
最初の層化k分割交差検証（図17中の【2】）では，赤信号の識...
最終的なモデル評価（図17中の【3】）では，赤信号の識別器に...
なお，ここで使用するすべての画像は候補領域の抽出を行った...
**実行時間の測定 [#fa1ec3f4]
自律走行ロボットに搭載することを目的としているため，検出...
+候補領域1つの判別に要する平均実行時間，最大実行時間，最...
+画像1枚の判別に要する平均実行時間，最大実行時間，最小実...
上記2種類の実行時間を測定した．(2)では候補領域の抽出にか...
実行時間の測定に使用したデータセットと識別器は最終的なモ...
以下に実験に用いたPCの諸元を示す．
CENTER:表2:実験に用いたPCの諸元
|OS | Ubuntu 18.04.5 LTS 64 ビット|
|CPU | Intel Core™ i3-4170 CPU @ 3.70GHz × 4|
|GPU | Intel HD Graphics 4400 (HSW GT2)|
|RAM | 15.6 GB|
*実験結果 [#s10e182e]
**SVMのハイパーパラメータの最適値決定 [#f05684d1]
グリッドサーチと層化k分割交差検証を組み合わせて求めたパラ...
***赤信号の検出 [#xe140953]
赤信号の検出について5種類の特徴量を用いて検証した．
-色相特徴
--色相特徴で検証を行った結果，Cが1，γが10^2のときに最も良...
#ref(hh_r.png,center,25%)
CENTER:図18:色相特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴
--HOG特徴で検証を行った結果，Cが10^2～10^7，γが1の6種類の...
#ref(hog_r.png,center,25%)
CENTER:図19:HOG特徴で層化k分割交差検証とグリッドサーチを...
-LBP特徴
--LBP特徴で検証を行った結果，Cが10^5，γが10^-6のときに最...
#ref(hlbp_r.png,center,25%)
CENTER:図20:LBP特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴＋色相特徴
--HOG特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hogh_r.png,center,25%)
CENTER:図21:HOG特徴+色相特徴で層化k分割交差検証とグリッド...
-LBP特徴＋色相特徴}
--LBP特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hlbph_r.png,center,25%)
CENTER:図22:LBP特徴+色相特徴で層化k分割交差検証とグリッド...
***青信号の検出 [#vb30d75c]
青信号の検出について5種類の特徴量を用いて検証した．
-色相特徴
--色相特徴で検証を行った結果，Cが1，γが10のときに最も良い...
#ref(hh_g.png,center,25%)
CENTER:図23:色相特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴
--HOG特徴で検証を行った結果，Cが1，γが1のときに最も良い正...
#ref(hog_g.png,center,25%)
CENTER:図24:HOG特徴で層化k分割交差検証とグリッドサーチを...
-LBP特徴
--LBP特徴で検証を行った結果，Cが1，γが1のときに最も良い正...
#ref(hlbp_g.png,center,25%)
CENTER:図25:LBP特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴＋色相特徴
--HOG特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hogh_g.png,center,25%)
CENTER:図26:HOG特徴+色相特徴で層化k分割交差検証とグリッド...
-LBP特徴＋色相特徴
--LBP特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hlbph_g.png,center,25%)
CENTER:図27:LBP特徴+色相特徴で層化k分割交差検証とグリッド...
**最終的なモデル評価 [#m0f58ac5]
上記の交差検証をもとに算出した正解率の上位25種のハイパー...
***赤信号の検出 [#s4a57480]
CENTER:表3:各特徴量での最良の正解率のパラメータと各評価項...
|特徴量 |C | γ | Accuracy | Precision | Recall | FPR | Sp...
|色相特徴 | 10～10^7 | 10^2| 0.5608 | 0.1749 | 0.956...
|HOG特徴 | 10^2～10^7 | 1 | 0.8319 | 0.3632 | 0.9855 |...
|LBP特徴 | 10, 10^4～10^6 | 10 | 0.9829 | 0.9152 | 0...
|HOG特徴+色相特徴 | 10^2～10^7 | 1 | 0.8753 | 0.4356 | ...
|LBP特徴+色相特徴 | 10, 10^3～10^6 | 10 | 0.9932 | 0.97...
***青信号の検出 [#y54e0cc6]
CENTER:表4:各特徴量での最良の正解率のパラメータと各評価項...
|特徴量 |C | γ | Accuracy | Precision | Recall | FP...
|色相特徴 | 1 | 10^2| 0.9180 | 0.4352 | 0.8836 | 0.07...
|HOG特徴 | 10^2～10^7 | 1 | 0.8881 | 0.3531 | 0.8706 | ...
|LBP特徴 | 10～10^7 | 10 | 0.9871 | 0.8940 | 0.9094 | ...
|HOG特徴+色相特徴 | 10 | 1 | 0.9150 | 0.4253 | 0.8836...
|LBP特徴+色相特徴 | 1～10^7 | 10 | 0.9955 | 0.9821 | 0....
**実行時間 [#r46f426a]
***赤信号の判定 [#xb8e978c]
-候補領域1つの判定に要する実行時間
--候補領域1つの判別に要する平均実行時間，最大実行時間，最...
CENTER:表5:赤信号の候補領域の判定に要する各実行時間[ms]
|特徴量 |平均実行時間 |最大実行時間 |最小実行時...
|色相特徴 | 0.079 | 0.360 | 0.040 |
|HOG特徴 | 0.096 | 0.265 | 0.058 |
|LBP特徴 | 0.345 | 1.542 | 0.110 |
|HOG特徴＋色相特徴 | 0.123 | 0.372 | 0.082 |
|LBP特徴＋色相特徴 | 0.391 | 1.762 | 0.156 |
-画像1枚の判別に要する実行時間
--画像1枚の判別に要する平均実行時間，最大実行時間，最小実...
CENTER:表6:画像1枚に対して赤信号の検出を行ったときに要す...
|特徴量 |平均実行時間 |最大実行時間 |最小実行時...
|色相特徴 | 25.520 | 58.901 | 19.161 |
|HOG特徴 | 25.723 | 57.057 | 18.087 |
|LBP特徴 | 27.624 | 113.492 | 19.165 |
|HOG特徴＋色相特徴 | 26.031 | 62.686 | 18.642 |
|LBP特徴＋色相特徴 | 28.077 | 118.363 | 19.276 |
***青信号の判定 [#v6ee80d5]
-候補領域1つの判定に要する実行時間
--候補領域1つの判別に要する平均実行時間，最大実行時間，最...
CENTER:表7:青信号の候補領域の判定に要する各実行時間[ms]
|特徴量 |平均実行時間|最大実行時間|最小実行時間 |h
|色相特徴 | 0.049 | 0.172 | 0.028 |
|HOG特徴 | 0.088 | 0.244 | 0.053 |
|LBP特徴 | 0.158 | 0.476 | 0.084 |
|HOG特徴＋色相特徴 | 0.121 | 0.463 | 0.071 |
|LBP特徴＋色相特徴 | 0.191 | 0.693 | 0.107 |
-画像1枚の判別に要する実行時間
--画像1枚の判別に要する平均実行時間，最大実行時間，最小実...
CENTER:表8:画像1枚に対して青信号の検出を行ったときに要す...
|特徴量 |平均実行時間 |最大実行時間 |最小実...
|色相特徴 | 25.996 | 65.558 | 18.702 |
|HOG特徴 | 26.640 | 73.068 | 18.435 |
|LBP特徴 | 27.583 | 91.777 | 18.515 |
|HOG特徴＋色相特徴 | 27.102 | 79.976 | 18.799 |
|LBP特徴＋色相特徴 | 27.985 | 104.525 | 18.146 |
*考察 [#l1d1784d]
**最終的なモデル評価に基づいた考察 [#eb2931c5]
***赤信号の検出 [#w7f66218]
-最も良い結果の特徴量について
--第一に，最も良い結果が出力された特徴量について述べる．...
-ハイパーパラメータについて
--第二に，最適なハイパーパラメータについて述べる．表3に注...
-色相特徴との組み合わせについて
--第三に，色相特徴と組み合わせによる性能の向上について述...
-各特徴量での検出における実行時間について
--第四に，表5と表6をもとに実行時間について述べる．まず，...
--次に，画像1枚の判別に要する平均実行時間に注目する．色相...
--これらのことから，赤信号の検出においては，LBP特徴と色相...
***青信号の検出 [#l1bd95dd]
-最も良い結果の特徴量について
--第一に，最も良い結果が出力された特徴量について述べる．...
-ハイパーパラメータについて
--第二に，最適なハイパーパラメータについて述べる．表4に注...
-色相特徴との組み合わせについて
--第三に，色相特徴と組み合わせによる性能の向上について述...
-各特徴量での検出における実行時間について
--第四に，表7と表8をもとに実行時間について述べる．まず，...
--次に，画像1枚の判別に要する平均実行時間に注目する．色相...
--これらのことから，青信号の検出においては，LBP特徴と色相...
*まとめ [#qd3ad1d0]
本研究では，画像特徴量とSVMを用いて，画像中からの歩行者用...
*参考文献 [#c8319ad9]
[1] つくばチャレンジ実行委員会事務局. “つくばチャレンジ20...
[2] 矢嶋良祐, つくばチャレンジに向けた色情報とHOG特徴を用...
[3] 有吉優貴, つくばチャレンジにおける経路封鎖看板の特徴...
[4] 小枝正直・上田悦子・中村恭之, 『OpenCVによる画像処理...
[5] 藤吉弘亘[ほか], 『コンピュータビジョン最先端ガイド2』...
[6] 原田達也, 『画像認識』, 機械学習プロフェッショナルシ...
[7] 竹内一郎・烏山昌幸, 『サポートベクトルマシン』, 講談...
[8] 秋庭伸也・杉山阿聖・寺田学, 『見て試してわかる機械学...
[9] 毛利拓也[ほか], 『scikit-learn データ分析実装ハンドブ...
[10] 江崎貴裕, 『データ分析のための数理モデル入門: 本質を...
[11] アンドレアス・C・ミュラー・サラ・グイド, 『Pythonで...
終了行:
[[太田研 公開用Wiki]]
#contents
*はじめに [#p6a0a28d]
**研究背景 [#lf2298d3]
近年，店舗や倉庫内など限定された環境下において自律走行ロ...
つくばチャレンジとは，人々が実際に生活している市街地や公...
以下からはつくばチャレンジ2022のコースや課題内容をもとに...
#ref(course.png,center,20%)
CENTER:図1:2022年度の課題コースの地図
つくばチャレンジでは必須課題と選択課題がある．必須課題は...
-事前計測なしエリア
--本走行で初めて訪れるエリア(つくば市役所庁舎内)を自律走...
-信号認識横断
--信号あり横断歩道において，歩行者用信号機と交差点内の安...
-チェックポイント通過＋経路封鎖迂回
--公園内で，複数のチェックポイントをすべて通過し，かつ通...
-探索対象発見
--公園内の探索エリアで，探索対象の複数のマネキン人形をす...
この中でも実環境下での自律走行において，歩行者用信号機の...
**研究目的 [#j3878d88]
自律走行ロボットで「信号認識横断」のためのソフトウェアを...
そこで本研究では画像特徴量とサポートベクターマシン（SVM）...
本研究では，複数の画像特徴量や特徴量同士を組み合わせたも...
なお，本研究における検出対象は，図2に示すような白熱電球型...
#ref(signal.png,center,20%)
CENTER:図2:検出対象の歩行者用信号機の一例
*歩行者用信号機の検出手法 [#t47cb979]
**先行研究について [#f47d8704]
先行研究[2]では，画像中から歩行者用信号機の状態を検出する...
また，先行研究[3]では，屋外の看板検出においてHOG特徴やLBP...
本研究ではこれらの先行研究をもとに，色相特徴，HOG特徴，LB...
なお以下からは，HOG特徴と色相特徴を組み合わせた特徴量を「...
また，先行研究や本研究で用いているサポートベクターマシン(...
**検出手法の概要 [#dbeba253]
***学習手順 [#o997f723]
以下の手順でサポートベクターマシン(SVM)の学習を行う．この...
+学習用画像を入力
--図3，図4に示すような画像を入力する
#ref(Positive.png,center,20%)
CENTER:図3:ポジティブサンプルの例
#ref(Negative.png,center,20%)
CENTER:図4:ネガティブサンプルの例
+画像特徴量を算出
--色相特徴，HOG特徴，LBP特徴，HOG特徴+色相特徴，LBP特徴+...
+画像のラベルを入力
--ポジティブ・ネガティブの2種類のラベルを入力する
+サポートベクターマシン(SVM)で学習
-- 2種類のハイパーパラメータを決定し入力する
+学習結果の出力
--出力されたものが識別器になる
***検出手順 [#mc8cfb97]
以下の手順で画像中から歩行者用信号機の状態を検出する．
+画像を入力
--図5に示すような画像を入力する
#ref(input_image.jpg,center,150%)
CENTER:図5:入力する画像の一例
+信号の灯火色（赤または緑）を抽出
--図5に対して，信号機の緑色付近のみの色を抽出したものが図...
#ref(c_e_image.jpg,center,150%)
CENTER:図6:図5に色抽出を行った結果
+ノイズ除去
--色抽出を行った画像に対し，メディアンフィルタや膨張収縮...
+ラベリング処理
--ラベリング処理により，候補領域を絞り込む．図6に対し，ノ...
#ref(l_image.jpg,center,150%)
CENTER:図7:図6にノイズ除去とラベリング処理を行った結果
+候補領域の画像特徴量を算出
--ラベリング処理によって絞り込んだ候補領域にて色相特徴，H...
+識別結果の出力
--算出した特徴量を識別器に入力することで識別結果が出力さ...
実際に歩行者用信号機を検出すると，画像中の該当部分を青い...
#ref(red01.jpg,center,40%)
CENTER:図8:赤信号の歩行者用信号機を検出した画像例1
#ref(red02.jpg,center,50%)
CENTER:図9:赤信号の歩行者用信号機を検出した画像例2
#ref(green01.jpg,center,40%)
CENTER:図10:青信号の歩行者用信号機を検出した画像例1
#ref(green02.jpg,center,50%)
CENTER:図11:青信号の歩行者用信号機を検出した画像例2
**候補領域の抽出に関する各処理の説明 [#wdcb2f03]
***信号の灯火色の抽出とノイズ除去 [#i898a8cd]
信号の灯火色の抽出する処理においてはHSV色空間に変換し，抽...
HSV色空間とは，色彩の情報を色相（Hue），彩度（Saturation...
本研究では以下のしきい値で信号の灯火色を抽出した．なおOpe...
CENTER:表1:信号の灯火色の抽出範囲
| | 色相(Hue) | 彩度(Saturation)| 明度(Value)|h
|赤信号| 0～20, 160～179| 70～255 | 100～255 |
|青信号| 60～100 | 60～255 | 0～255 |
上記の条件で抽出を行った後に，メディアンフィルタを画像全...
***ラベリング処理と候補領域の抽出 [#g3718cf0]
ラベリング処理とは，複数のブロブが画像内に存在する場合に...
信号の灯火色（赤または緑）を抽出した後の画像に対して，こ...
歩行者用信号機は基本的に道路を挟んだ場所に設置されている...
**画像特徴量 [#d95b7615]
画像特徴量とは，画素に含まれる様々な数値を特定のアルゴリ...
***色相特徴 [#jcc0ffda]
色相値の出現頻度をヒストグラム化した特徴量である．
***HOG特徴 [#q7938304]
1つの局所領域内におけるエッジ方向ごとのエッジ強度に注目し...
#ref(hog.png,center,25%)
CENTER:図12:HOG特徴の算出の手順
***LBP特徴 [#b4b903b0]
中心画素とその周囲の画素との輝度の差を比較し，相対値をヒ...
図13をもとに具体的に説明する．まず中心画素の輝度値を95と...
#ref(lbp_calc.png,center,25%)
CENTER:図13:LBP値の算出の手順
本研究では，図14のように画像を4つの局所領域に分割し，局所...
#ref(lbp.png,center,25%)
CENTER:図14:LBP特徴の算出の手順
***HOG特徴+色相特徴, LBP特徴+色相特徴 [#h55a1fb5]
HOG特徴, LBP特徴それぞれと色相特徴のヒストグラムを結合し...
そこで，色相特徴と組み合わせることにより，HOG特徴やLBP特...
**サポートベクターマシン(SVM) [#xd4ae75c]
サポートベクターマシン(SVM)とは2クラス分類問題の代表的手...
マージン最大化という基準を用いて，データからできるだけ離...
#ref(parameter_c.png,center,25%)
CENTER:図15:コストパラメータCを変化させたイメージ
また，複雑な決定境界を学習させる場合は，カーネル関数を用...
#ref(parameter_g.png,center,25%)
CENTER:図16:RBFカーネルのハイパーパラメータγを変化させた...
*実験方法 [#n96f89d3]
**SVMのハイパーパラメータの最適値決定と汎化性能の評価方法...
本研究では，グリッドサーチ，ホールドアウト法，層化k分割交...
#ref(my_cv_method.png,center,25%)
CENTER:図17:SVMの最適なパラメータの決定と検出・汎化性能の...
+「訓練・テストデータ」と「評価データ」に分割
--まず，最初にポジティブ画像とネガティブ画像のデータセッ...
+「訓練・テストデータ」を用いた層化k 分割交差検証
--その後，「訓練・テストデータ」を用いて分割数10(k=10)で...
--層化k分割交差検証では分割数分の結果が出力される．本研究...
---TP(True Positive)：正解画像（歩行者用信号機）に対し，...
---TN(True Negative)：不正解画像（歩行者用信号機以外）に...
---FP(False Positive)：不正解画像（歩行者用信号機以外）に...
---FN(False Negative)：正解画像（歩行者用信号機）に対し，...
--上記の分類をもとに正解率は以下の式で表すことができる．
#ref(acc.png,center,60%)
+「評価データ」を用いた最終的なモデル評価
--最後に，先の交差検証をもとに算出した正解率の上位25 種の...
--精度(Precision)・再現率(Recall)・偽陽性率(FPR, False Po...
**データセットとハイパーパラメータの探索範囲 [#p2ab38a1]
最初の層化k分割交差検証（図17中の【2】）では，赤信号の識...
最終的なモデル評価（図17中の【3】）では，赤信号の識別器に...
なお，ここで使用するすべての画像は候補領域の抽出を行った...
**実行時間の測定 [#fa1ec3f4]
自律走行ロボットに搭載することを目的としているため，検出...
+候補領域1つの判別に要する平均実行時間，最大実行時間，最...
+画像1枚の判別に要する平均実行時間，最大実行時間，最小実...
上記2種類の実行時間を測定した．(2)では候補領域の抽出にか...
実行時間の測定に使用したデータセットと識別器は最終的なモ...
以下に実験に用いたPCの諸元を示す．
CENTER:表2:実験に用いたPCの諸元
|OS | Ubuntu 18.04.5 LTS 64 ビット|
|CPU | Intel Core™ i3-4170 CPU @ 3.70GHz × 4|
|GPU | Intel HD Graphics 4400 (HSW GT2)|
|RAM | 15.6 GB|
*実験結果 [#s10e182e]
**SVMのハイパーパラメータの最適値決定 [#f05684d1]
グリッドサーチと層化k分割交差検証を組み合わせて求めたパラ...
***赤信号の検出 [#xe140953]
赤信号の検出について5種類の特徴量を用いて検証した．
-色相特徴
--色相特徴で検証を行った結果，Cが1，γが10^2のときに最も良...
#ref(hh_r.png,center,25%)
CENTER:図18:色相特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴
--HOG特徴で検証を行った結果，Cが10^2～10^7，γが1の6種類の...
#ref(hog_r.png,center,25%)
CENTER:図19:HOG特徴で層化k分割交差検証とグリッドサーチを...
-LBP特徴
--LBP特徴で検証を行った結果，Cが10^5，γが10^-6のときに最...
#ref(hlbp_r.png,center,25%)
CENTER:図20:LBP特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴＋色相特徴
--HOG特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hogh_r.png,center,25%)
CENTER:図21:HOG特徴+色相特徴で層化k分割交差検証とグリッド...
-LBP特徴＋色相特徴}
--LBP特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hlbph_r.png,center,25%)
CENTER:図22:LBP特徴+色相特徴で層化k分割交差検証とグリッド...
***青信号の検出 [#vb30d75c]
青信号の検出について5種類の特徴量を用いて検証した．
-色相特徴
--色相特徴で検証を行った結果，Cが1，γが10のときに最も良い...
#ref(hh_g.png,center,25%)
CENTER:図23:色相特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴
--HOG特徴で検証を行った結果，Cが1，γが1のときに最も良い正...
#ref(hog_g.png,center,25%)
CENTER:図24:HOG特徴で層化k分割交差検証とグリッドサーチを...
-LBP特徴
--LBP特徴で検証を行った結果，Cが1，γが1のときに最も良い正...
#ref(hlbp_g.png,center,25%)
CENTER:図25:LBP特徴で層化k分割交差検証とグリッドサーチを...
-HOG特徴＋色相特徴
--HOG特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hogh_g.png,center,25%)
CENTER:図26:HOG特徴+色相特徴で層化k分割交差検証とグリッド...
-LBP特徴＋色相特徴
--LBP特徴と色相特徴を組み合わせた特徴量で検証を行った結果...
#ref(hlbph_g.png,center,25%)
CENTER:図27:LBP特徴+色相特徴で層化k分割交差検証とグリッド...
**最終的なモデル評価 [#m0f58ac5]
上記の交差検証をもとに算出した正解率の上位25種のハイパー...
***赤信号の検出 [#s4a57480]
CENTER:表3:各特徴量での最良の正解率のパラメータと各評価項...
|特徴量 |C | γ | Accuracy | Precision | Recall | FPR | Sp...
|色相特徴 | 10～10^7 | 10^2| 0.5608 | 0.1749 | 0.956...
|HOG特徴 | 10^2～10^7 | 1 | 0.8319 | 0.3632 | 0.9855 |...
|LBP特徴 | 10, 10^4～10^6 | 10 | 0.9829 | 0.9152 | 0...
|HOG特徴+色相特徴 | 10^2～10^7 | 1 | 0.8753 | 0.4356 | ...
|LBP特徴+色相特徴 | 10, 10^3～10^6 | 10 | 0.9932 | 0.97...
***青信号の検出 [#y54e0cc6]
CENTER:表4:各特徴量での最良の正解率のパラメータと各評価項...
|特徴量 |C | γ | Accuracy | Precision | Recall | FP...
|色相特徴 | 1 | 10^2| 0.9180 | 0.4352 | 0.8836 | 0.07...
|HOG特徴 | 10^2～10^7 | 1 | 0.8881 | 0.3531 | 0.8706 | ...
|LBP特徴 | 10～10^7 | 10 | 0.9871 | 0.8940 | 0.9094 | ...
|HOG特徴+色相特徴 | 10 | 1 | 0.9150 | 0.4253 | 0.8836...
|LBP特徴+色相特徴 | 1～10^7 | 10 | 0.9955 | 0.9821 | 0....
**実行時間 [#r46f426a]
***赤信号の判定 [#xb8e978c]
-候補領域1つの判定に要する実行時間
--候補領域1つの判別に要する平均実行時間，最大実行時間，最...
CENTER:表5:赤信号の候補領域の判定に要する各実行時間[ms]
|特徴量 |平均実行時間 |最大実行時間 |最小実行時...
|色相特徴 | 0.079 | 0.360 | 0.040 |
|HOG特徴 | 0.096 | 0.265 | 0.058 |
|LBP特徴 | 0.345 | 1.542 | 0.110 |
|HOG特徴＋色相特徴 | 0.123 | 0.372 | 0.082 |
|LBP特徴＋色相特徴 | 0.391 | 1.762 | 0.156 |
-画像1枚の判別に要する実行時間
--画像1枚の判別に要する平均実行時間，最大実行時間，最小実...
CENTER:表6:画像1枚に対して赤信号の検出を行ったときに要す...
|特徴量 |平均実行時間 |最大実行時間 |最小実行時...
|色相特徴 | 25.520 | 58.901 | 19.161 |
|HOG特徴 | 25.723 | 57.057 | 18.087 |
|LBP特徴 | 27.624 | 113.492 | 19.165 |
|HOG特徴＋色相特徴 | 26.031 | 62.686 | 18.642 |
|LBP特徴＋色相特徴 | 28.077 | 118.363 | 19.276 |
***青信号の判定 [#v6ee80d5]
-候補領域1つの判定に要する実行時間
--候補領域1つの判別に要する平均実行時間，最大実行時間，最...
CENTER:表7:青信号の候補領域の判定に要する各実行時間[ms]
|特徴量 |平均実行時間|最大実行時間|最小実行時間 |h
|色相特徴 | 0.049 | 0.172 | 0.028 |
|HOG特徴 | 0.088 | 0.244 | 0.053 |
|LBP特徴 | 0.158 | 0.476 | 0.084 |
|HOG特徴＋色相特徴 | 0.121 | 0.463 | 0.071 |
|LBP特徴＋色相特徴 | 0.191 | 0.693 | 0.107 |
-画像1枚の判別に要する実行時間
--画像1枚の判別に要する平均実行時間，最大実行時間，最小実...
CENTER:表8:画像1枚に対して青信号の検出を行ったときに要す...
|特徴量 |平均実行時間 |最大実行時間 |最小実...
|色相特徴 | 25.996 | 65.558 | 18.702 |
|HOG特徴 | 26.640 | 73.068 | 18.435 |
|LBP特徴 | 27.583 | 91.777 | 18.515 |
|HOG特徴＋色相特徴 | 27.102 | 79.976 | 18.799 |
|LBP特徴＋色相特徴 | 27.985 | 104.525 | 18.146 |
*考察 [#l1d1784d]
**最終的なモデル評価に基づいた考察 [#eb2931c5]
***赤信号の検出 [#w7f66218]
-最も良い結果の特徴量について
--第一に，最も良い結果が出力された特徴量について述べる．...
-ハイパーパラメータについて
--第二に，最適なハイパーパラメータについて述べる．表3に注...
-色相特徴との組み合わせについて
--第三に，色相特徴と組み合わせによる性能の向上について述...
-各特徴量での検出における実行時間について
--第四に，表5と表6をもとに実行時間について述べる．まず，...
--次に，画像1枚の判別に要する平均実行時間に注目する．色相...
--これらのことから，赤信号の検出においては，LBP特徴と色相...
***青信号の検出 [#l1bd95dd]
-最も良い結果の特徴量について
--第一に，最も良い結果が出力された特徴量について述べる．...
-ハイパーパラメータについて
--第二に，最適なハイパーパラメータについて述べる．表4に注...
-色相特徴との組み合わせについて
--第三に，色相特徴と組み合わせによる性能の向上について述...
-各特徴量での検出における実行時間について
--第四に，表7と表8をもとに実行時間について述べる．まず，...
--次に，画像1枚の判別に要する平均実行時間に注目する．色相...
--これらのことから，青信号の検出においては，LBP特徴と色相...
*まとめ [#qd3ad1d0]
本研究では，画像特徴量とSVMを用いて，画像中からの歩行者用...
*参考文献 [#c8319ad9]
[1] つくばチャレンジ実行委員会事務局. “つくばチャレンジ20...
[2] 矢嶋良祐, つくばチャレンジに向けた色情報とHOG特徴を用...
[3] 有吉優貴, つくばチャレンジにおける経路封鎖看板の特徴...
[4] 小枝正直・上田悦子・中村恭之, 『OpenCVによる画像処理...
[5] 藤吉弘亘[ほか], 『コンピュータビジョン最先端ガイド2』...
[6] 原田達也, 『画像認識』, 機械学習プロフェッショナルシ...
[7] 竹内一郎・烏山昌幸, 『サポートベクトルマシン』, 講談...
[8] 秋庭伸也・杉山阿聖・寺田学, 『見て試してわかる機械学...
[9] 毛利拓也[ほか], 『scikit-learn データ分析実装ハンドブ...
[10] 江崎貴裕, 『データ分析のための数理モデル入門: 本質を...
[11] アンドレアス・C・ミュラー・サラ・グイド, 『Pythonで...
ページ名:
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
