JP5901054B2 - 物体の検出方法及びその方法を用いた物体の検出装置 - Google Patents
物体の検出方法及びその方法を用いた物体の検出装置 Download PDFInfo
- Publication number
- JP5901054B2 JP5901054B2 JP2011265081A JP2011265081A JP5901054B2 JP 5901054 B2 JP5901054 B2 JP 5901054B2 JP 2011265081 A JP2011265081 A JP 2011265081A JP 2011265081 A JP2011265081 A JP 2011265081A JP 5901054 B2 JP5901054 B2 JP 5901054B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- search range
- learning
- pedestrian
- hog feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 107
- 238000000034 method Methods 0.000 title claims description 68
- 230000008569 process Effects 0.000 claims description 62
- 238000007689 inspection Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001551799 Sus salvanius Species 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
本発明は、撮像された画像中に検出対象物（例えば、人物、特定の物体等）が存在しているか否かを判定する物体の検出方法及びその方法を用いた物体の検出装置に関する。
近年、ITS（Intelligent Transport System：高度交通システム）やロボットビジョン等を目的として、カメラ画像から物体を検出する技術が注目されている。特に、カメラ画像上で歩行者を検出することは、ITSの分野において、車両運転時のドライバーの不注意による歩行者の見落としを防止するシステムとして貢献できるため、車載カメラによって撮像されるカメラ画像中で、歩行者をIT（Information Technology）を用いて検知する歩行者検出についての研究が盛んに行われている。しかし、歩行者検出は、体形、着衣の色、障害物、及び明るさ変化等や、歩行者同士の重なり合い等が影響して容易でない。
一般に、検出対象物（即ち、カメラ画像内での局所領域）を表す特徴量にはさまざまな算出方法が提案されているが、どの特徴量が有効であるかは、検出対象物によって大きく変わる。例えば、ＨＯＧ特徴量は、照明変化や形状変化に頑強な特徴量であることから歩行者検出に有効とされている（例えば、非特許文献１参照）。このため、歩行者（人物）の含まれている画像、歩行者の含まれていない画像からなる学習画像のＨＯＧ特徴量を算出し、得られたＨＯＧ特徴量のRealAdaBoostによる機械学習を行って、歩行者の各部位の検出に有効なＨＯＧ特徴量をそれぞれ選択することにより弱識別器を生成し、評価画像に歩行者が存在するか否かを判定する歩行者検出方法の研究が行われている（例えば、非特許文献２参照）。
Ｎ．Ｄａｌａｌ、Ｂ．Ｔｒｉｇｇｓ、「ヒストグラムズ オブ オリエンティッド グラディエンツ フォー ヒューマン ディテクション（Ｈｉｓｔｏｇｒａｍｓ ｏｆ Ｏｒｉｅｎｔｅｄ Ｇｒａｄｉｅｎｔｓ ｆｏｒ Ｈｕｍａｎ Ｄｅｔｅｃｔｉｏｎ）」、アイイーイーイー シーブイピーアール（ＩＥＥＥ ＣＶＰＲ）、ｐ．８８６−８９３、２００５年
山内悠嗣、藤吉弘亘、山下隆義、Boostingに基づく特徴量の共起表現による人検出、画像の認識・理解シンポジウム（MIRU2008）、ｐ．１８０−１８７、２００８年
従来、評価画像において歩行者を検出する場合、評価画像全体に探索領域を大量に配置し、各探索領域にＨＯＧ特徴量を算出している。ここで、探索領域のＨＯＧ特徴量は、探索領域を予め設定した複数個の画素から構成されるセルに分割し、セル毎のＨＯＧ特徴量を算出し、これらを全て足し合わせることにより求めている。従って、探索領域に歩行者が存在するか否かの判定は、セル毎に算出したＨＯＧ特徴量を、機械学習により得られた各弱識別器を用いて判定し、各弱識別器の出力値（判定結果）の合計値が機械学習により求めた基準値より大きな場合は歩行者が存在すると判定し、合計値が基準値未満の場合は歩行者が存在したいと判定している。このため、評価画像内に歩行者が存在するか否かを判定するには、多量の計算を短時間で処理可能な計算機を用いる必要があり、計算コストの面で問題となっている。特に、ITSの分野においては、処理時間の短縮は、検出精度の向上と共に重要な開発要素となっている。
また、従来の歩行者の検出方法では、セルのサイズが固定されているため、評価画像から得られるＨＯＧ特徴量の数に限界があり、検出精度の向上面においても問題がある。
また、従来の歩行者の検出方法では、セルのサイズが固定されているため、評価画像から得られるＨＯＧ特徴量の数に限界があり、検出精度の向上面においても問題がある。
本発明はかかる事情に鑑みてなされたもので、与えられた画像中で検出対象物を短時間で精度よく検出することが可能な物体の検出方法及び検出装置を提供することを目的とする。
前記目的に沿う第１の発明に係る物体の検出方法は、検出対象物の画像及び非検出対象物の画像からなる学習画像を用いて該検出対象物を識別する複数の弱識別器を構築する学習過程と、検査画像中に探索範囲を設定しながら、前記弱識別器を用いたRealAdaBoostのアルゴリズムにより前記探索範囲内の画像に対して求めた識別器の出力値から該検出対象物の存否を決定する判定過程とを有する物体の検出方法において、
前記学習過程は、前記学習画像に前記探索範囲を設定すると共に該探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズの前記セルを順次用いて、該セルを、該セル同士を一部重ねながら前記探索範囲の全域に配置すると共に、配置した前記セル内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、サイズが一定の前記セル毎の前記ＨＯＧ特徴量Ａを前記探索範囲に配置した該セルの順番に並べたものを、更に該セルのサイズの順に並べて前記探索範囲内の画像のＨＯＧ特徴量Ｂとする第１工程と、
前記ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、前記検出対象物の特徴的な部位をそれぞれ１つの前記セルで取り囲んだ場合のＨＯＧ特徴量を選択しそれぞれ前記弱識別器とする第２工程とを有する。
前記学習過程は、前記学習画像に前記探索範囲を設定すると共に該探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズの前記セルを順次用いて、該セルを、該セル同士を一部重ねながら前記探索範囲の全域に配置すると共に、配置した前記セル内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、サイズが一定の前記セル毎の前記ＨＯＧ特徴量Ａを前記探索範囲に配置した該セルの順番に並べたものを、更に該セルのサイズの順に並べて前記探索範囲内の画像のＨＯＧ特徴量Ｂとする第１工程と、
前記ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、前記検出対象物の特徴的な部位をそれぞれ１つの前記セルで取り囲んだ場合のＨＯＧ特徴量を選択しそれぞれ前記弱識別器とする第２工程とを有する。
第１の発明に係る物体の検出方法において、前記判定過程では、前記検査画像中に設定する前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる識別処理を繰り返して判定を行う際に、前記識別器の出力値が前記識別処理の回数毎に予め設定した判定値未満の場合は前記識別処理を終了することにより、前記検査画像中に設定する前記探索範囲毎に、前記識別器を構成する前記弱識別器の個数を変え、前記識別処理の回数毎に予め設定した前記判定値は、前記学習画像に設定した前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して前記検出対象物を検出した際に、前記学習処理の回数毎に求められる識別器から出力された出力値の最小値であることが好ましい。
前記目的に沿う第２の発明に係る物体の検出装置は、検出対象物の画像及び非検出対象物の画像からなる学習画像を用いて該検出対象物を識別する複数の弱識別器を構築する学習機構と、検査画像中に探索範囲を設定しながら、前記弱識別器を用いたRealAdaBoostのアルゴリズムにより前記探索範囲内の画像に対して求めた識別器の出力値から該検出対象物の存否を決定する判定機構とを有する物体の検出装置において、
前記学習機構は、前記学習画像に前記探索範囲を設定すると共に該探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズの前記セルを順次用いて、該セルを、該セル同士を一部重ねながら前記探索範囲の全域に配置すると共に、配置した前記セル内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、サイズが一定の前記セル毎の前記ＨＯＧ特徴量Ａを前記探索範囲に配置した該セルの順番に並べたものを、更に該セルのサイズの順に並べることにより前記探索範囲内の画像のＨＯＧ特徴量Ｂを求めるＨＯＧ特徴量算出手段と、
前記ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、前記検出対象物の特徴的な部位をそれぞれ取り囲む１つのセルのＨＯＧ特徴量を選択しそれぞれ前記弱識別器とする弱識別器生成手段とを有している。
前記学習機構は、前記学習画像に前記探索範囲を設定すると共に該探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズの前記セルを順次用いて、該セルを、該セル同士を一部重ねながら前記探索範囲の全域に配置すると共に、配置した前記セル内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、サイズが一定の前記セル毎の前記ＨＯＧ特徴量Ａを前記探索範囲に配置した該セルの順番に並べたものを、更に該セルのサイズの順に並べることにより前記探索範囲内の画像のＨＯＧ特徴量Ｂを求めるＨＯＧ特徴量算出手段と、
前記ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、前記検出対象物の特徴的な部位をそれぞれ取り囲む１つのセルのＨＯＧ特徴量を選択しそれぞれ前記弱識別器とする弱識別器生成手段とを有している。
第２の発明に係る物体の検出装置において、前記判定機構は、前記検査画像中に設定する前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる識別処理を繰り返して判定を行う際に、前記識別器の出力値が前記識別処理の回数毎に予め設定した判定値未満の場合は前記識別処理を終了することにより、前記検査画像中に設定する前記探索範囲毎に、前記識別器を構成する前記弱識別器の個数を変える識別処理管理手段を有し、
前記学習機構は、前記学習画像に設定した前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して前記検出対象物を検出した際に、前記学習処理の回数毎に求められる識別器から出力された出力値の最小値を求める判定値生成手段を有し、
前記判定機構は、前記識別判定値生成手段で求めた各最小値を、前記識別処理の回数毎に予め設定した前記判定値とする判定値設定手段を有していることが好ましい。
前記学習機構は、前記学習画像に設定した前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して前記検出対象物を検出した際に、前記学習処理の回数毎に求められる識別器から出力された出力値の最小値を求める判定値生成手段を有し、
前記判定機構は、前記識別判定値生成手段で求めた各最小値を、前記識別処理の回数毎に予め設定した前記判定値とする判定値設定手段を有していることが好ましい。
第１の発明に係る物体の検出方法及び第２の発明に係る物体の検出装置においては、探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズのセルを順次用いて、セルを、セル同士を一部重ねながら探索範囲の全域に配置するので、探索範囲内における種々の位置及び種々のサイズの局所領域の画像のＨＯＧ特徴量Ａを用いて探索範囲内の画像のＨＯＧ特徴量Ｂを構成することができ、ＨＯＧ特徴量ＢからRealAdaBoostのアルゴリズムを用いて検出対象物の識別に有効なＨＯＧ特徴量を複数選択すると、選択されたＨＯＧ特徴量は、検出対象物の各部位をそれぞれ一括で表すことに最適なＨＯＧ特徴量が含まれる。このため、検出対象物の各部位を（例えば検出対象物が人の場合、腕の部分に配置されたセルからは腕の形の特徴を、頭の部分に配置されたセルからは頭の形の特徴を）それぞれ一括で表すことに最適なＨＯＧ特徴量を弱識別器として、検出対象物を識別する識別器を構成すると、従来の手法（探索範囲に、サイズが同一のセルを、セル同士が重ならないように配置する手法）に比較して、識別器を構成する弱識別器の個数を大きく低減することができる。その結果、検査画像中に設定した探索範囲の識別に要する時間が短縮され、即ち、探索範囲の識別処理の高速化を図ることができる。
第１の発明に係る物体の検出方法及び第２の発明に係る物体の検出装置において、検査画像中に設定する探索範囲に対して弱識別器を用いてRealAdaBoostのアルゴリズムによる識別処理を繰り返して判定を行う際に、識別器の出力値が識別処理の回数毎に予め設定した判定値未満のときは識別処理を終了する場合、検査画像の探索範囲に検出対象物が存在しないという最終判定を識別処理の早期段階で行うことができ、探索範囲の識別に要する時間を大幅に短縮することができる。
更に、探索領域毎に弱識別器の個数が異なる識別器を用いて検出対象物の存否判定を行うので、例えば、背景領域は少ない弱識別器で構成された識別器で高速に識別され、検出対象物領域及び検出対象物に類似する領域では弱識別器の個数の多い識別器で識別されることになって、検出対象物の識別精度向上を達成することができる。
更に、探索領域毎に弱識別器の個数が異なる識別器を用いて検出対象物の存否判定を行うので、例えば、背景領域は少ない弱識別器で構成された識別器で高速に識別され、検出対象物領域及び検出対象物に類似する領域では弱識別器の個数の多い識別器で識別されることになって、検出対象物の識別精度向上を達成することができる。
第１の発明に係る物体の検出方法及び第２の発明に係る物体の検出装置において、識別処理の回数毎に予め設定した判定値が、学習画像に設定した探索範囲に対して弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して検出対象物を検出した際に、学習処理の回数毎に求められる識別器から出力された出力値の最小値である場合、探索範囲の識別処理の終了判定を安全側で行うことができる。
続いて、添付した図面を参照しつつ、本発明を具体化した実施の形態につき説明し、本発明の理解に供する。
先ず、本発明の第１の実施の形態に係る物体の検出方法を適用する物体の検出装置１０について説明する。図１、図２（Ａ）に示すように、物体の検出装置１０は、検出対象物の一例である歩行者Ｐの画像及び非検出対象物の一例である背景（歩行者Ｐの背景）の画像からなる学習画像１３を用いて歩行者Ｐを識別する弱識別器を構築する学習機構１１と、図示しない検査画像中に探索範囲１４を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより、探索範囲１４内の画像に対して求めた識別器の出力値から探索範囲１４内の歩行者Ｐの存否を決定する判定機構１２とを有している。以下、詳細に説明する。
先ず、本発明の第１の実施の形態に係る物体の検出方法を適用する物体の検出装置１０について説明する。図１、図２（Ａ）に示すように、物体の検出装置１０は、検出対象物の一例である歩行者Ｐの画像及び非検出対象物の一例である背景（歩行者Ｐの背景）の画像からなる学習画像１３を用いて歩行者Ｐを識別する弱識別器を構築する学習機構１１と、図示しない検査画像中に探索範囲１４を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより、探索範囲１４内の画像に対して求めた識別器の出力値から探索範囲１４内の歩行者Ｐの存否を決定する判定機構１２とを有している。以下、詳細に説明する。
学習機構１１は、学習画像１３中に探索範囲１４を設定すると共に探索範囲１４内の局所領域の大きさを決めるセル１５のサイズを複数設定し、各サイズのセル１５を順次用いて、セル１５を、セル１５同士を一部重ねながら探索範囲１４の全域に配置すると共に、配置したセル１５内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、探索範囲１４に配置した全てのセル１５毎のＨＯＧ特徴量Ａを組み合せて探索範囲１４内の画像のＨＯＧ特徴量Ｂを求めるＨＯＧ特徴量算出手段１６と、ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択し弱識別器とする弱識別器生成手段１７とを有している。
ここで、学習画像１３は、図示しないカメラで撮影した歩行者の画像及び歩行者が存在しない画像を、例えば、縦６０画素、横３０画素のサイズにリサイズしたものを使用する。なお、学習画像１３として、歩行者データべースのひとつであるINRIA Person Datasetを利用することもできる。また、探索範囲１４のサイズは、検出対象物の形状に応じて設定する。例えば、図２（Ａ）に示すように、検出対象物が歩行者Ｐの場合、探索範囲１４は、学習画像１３と同一サイズとなる縦６０画素、横３０画素のサイズとする。
ＨＯＧ特徴量算出手段１６は、学習画像１３を記憶する機能を備えた学習画像保存部１８と、学習画像保存部１８に保存された学習画像を取り出して学習用データを抽出するための探索範囲１４を設定すると共に、探索範囲１４内の局所領域の大きさを決めるセル１５のサイズを複数設定し、各サイズのセル１５を順次用いて、探索範囲１４の全域にセル１５を、セル１５同士を一部重ねながら配置して、セル１５内の画像のＨＯＧ特徴量Ａを算出する第１のＨＯＧ特徴量算出部１９と、探索範囲１４に配置した全てのセル１５毎のＨＯＧ特徴量Ａを組み合せて（例えば、サイズ一定のセル１５毎のＨＯＧ特徴量Ａを探索範囲に配置したセル１５の順番に並べたものを、更にセル１５のサイズの順に並べることにより）探索範囲１４内の画像のＨＯＧ特徴量Ｂを求める第２のＨＯＧ特徴量算出部２０とを有している。
ここで、図２（Ａ）に示すように、セル１５のサイズ範囲は、探索範囲１４内における検出対象物の占有率に応じて設定するが、例えば、検出対象物が歩行者Ｐの場合、セル１５の縦幅は歩行者Ｐの最大縦幅の６〜８０％、セル１５の横幅は歩行者Ｐの最大横幅の１３〜８０％の範囲とする（例えば、セル１５の最小サイズを縦４画素横４画素、最大サイズは縦４８画素横２４画素）。また、セル１5同士を一部重ねながら配置する際の重ね代は、例えば、２〜４６画素である。
ここで、図２（Ａ）に示すように、セル１５のサイズ範囲は、探索範囲１４内における検出対象物の占有率に応じて設定するが、例えば、検出対象物が歩行者Ｐの場合、セル１５の縦幅は歩行者Ｐの最大縦幅の６〜８０％、セル１５の横幅は歩行者Ｐの最大横幅の１３〜８０％の範囲とする（例えば、セル１５の最小サイズを縦４画素横４画素、最大サイズは縦４８画素横２４画素）。また、セル１5同士を一部重ねながら配置する際の重ね代は、例えば、２〜４６画素である。
弱識別器生成手段１７では、歩行者Ｐの特徴量（全てのサイズのセル１５から得られる歩行者Ｐの特徴量であるＨＯＧ特徴量）の集合であるＨＯＧ特徴量Ｂの中から、RealAdaBoostのアルゴリズムを用いて、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択して弱識別器とする。図３に、歩行者Ｐを検出する場合の、弱識別器の個数と歩行者検出の正解率の関係を示す。図３から、一定個数（例えば、少なくとも５００個）の弱識別器を選択することで、歩行者Ｐを検出する際の正解率を一定値以上（９５％以上）にすることができる。
更に、学習機構１１は、学習画像１３内に設定した探索範囲１４に対して、弱識別器生成手段１７から得られた弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して求めた識別器が歩行者Ｐを検出した際に出力する出力値（学習画像１３内に設定した探索範囲１４内のＨＯＧ特徴量が歩行者Ｐであることを示す数値）の最小値を求めて、この最小値を、識別器が歩行者Ｐを認識する（歩行者Ｐが存在すると判定する）際の判定値とする識別判定値生成手段２１を有している。
更に、学習機構１１は、学習画像１３内に設定した探索範囲１４に対して、弱識別器生成手段１７から得られた弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して求めた識別器が歩行者Ｐを検出した際に出力する出力値（学習画像１３内に設定した探索範囲１４内のＨＯＧ特徴量が歩行者Ｐであることを示す数値）の最小値を求めて、この最小値を、識別器が歩行者Ｐを認識する（歩行者Ｐが存在すると判定する）際の判定値とする識別判定値生成手段２１を有している。
判定機構１２は、検査画像中に探索範囲１４を設定しながら、各サイズのセル１５を順次用いて、探索画像１４の全域にセル１５を、セル１５同士を一部重ねながら配置すると共に、配置したセル１５内の画像のＨＯＧ特徴量をそれぞれ算出し、探索画像１４の全域に配置した全てのセル１５毎のＨＯＧ特徴量を組み合せて探索範囲１４内の画像のＨＯＧ特徴量を求める検査用ＨＯＧ特徴量算出手段２２と、探索範囲１４内の画像（探索範囲１４内の画像のＨＯＧ特徴量）に対して、弱識別器生成手段１７から得られた弱識別器を用いたRealAdaBoostのアルゴリズムによる識別処理を繰り返して求めた識別器からの最終出力値（選択された全ての弱識別器を用いたRealAdaBoostのアルゴリズムによる識別処理の結果得られた識別器からの出力値であって、探索範囲１４内のＨＯＧ特徴量が歩行者Ｐであることを示す数値）を決定する識別手段２３と、識別手段２３の最終出力値と識別判定値生成手段２１の判定値とを比較して、最終出力値が判定値以上である場合は、検査画像中に設定した探索範囲１４内に歩行者Ｐが存在すると判定し、最終出力値が判定値未満である場合は、検査画像中に設定した探索範囲１４内に歩行者Ｐが存在しないと判定する判定手段２４とを有している。
ここで、学習機構１１は、ＨＯＧ特徴量算出手段１６、弱識別器生成手段１７、及び識別判定値生成手段２１の機能をそれぞれ発現するプログラムを、判定機構１２は、検査用ＨＯＧ特徴量算出手段２２、識別手段２３、及び判定手段２４の機能をそれぞれ発現するプログラムを、コンピュータに搭載することにより構成できる。
続いて、本発明の第１の実施の形態に係る物体の検出方法について説明する。
本発明の第１の実施の形態に係る物体の検出方法は、歩行者Ｐの画像及び非歩行者の画像（歩行者Ｐの背景画像）からなる学習画像１３を用いて、歩行者Ｐの識別に有効な複数の弱識別器を構築する学習過程と、検査画像中に探索範囲１４を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより探索範囲１４内の画像（ＨＯＧ特徴量）に対して求めた識別器の出力値から歩行者Ｐの存否を決定する判定過程とを有する。以下、詳細に説明する。
本発明の第１の実施の形態に係る物体の検出方法は、歩行者Ｐの画像及び非歩行者の画像（歩行者Ｐの背景画像）からなる学習画像１３を用いて、歩行者Ｐの識別に有効な複数の弱識別器を構築する学習過程と、検査画像中に探索範囲１４を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより探索範囲１４内の画像（ＨＯＧ特徴量）に対して求めた識別器の出力値から歩行者Ｐの存否を決定する判定過程とを有する。以下、詳細に説明する。
図２（Ａ）に示すように、学習過程は、学習画像１３中に探索範囲１４を設定すると共に、探索範囲１４内の局所領域の大きさを決めるセル１５のサイズを複数設定し、各サイズのセル１５を順次用いて、セル１５を、セル１５同士を一部重ねながら探索範囲１４の全域に配置すると共に、配置したセル１５内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、探索範囲１４に配置した全てのセル１５毎のＨＯＧ特徴量Ａを組み合せて探索範囲１４内の画像のＨＯＧ特徴量Ｂとする第１工程と、ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択し弱識別器とする第２工程とを有する。
複数のサイズのセル１５をそれぞれ用いて、各セル１５をセル１５同士が一部重なるように探索範囲１４の全域に配置するので、例えば、歩行者Ｐの頭部右側を収容するセル１５、歩行者Ｐの左肩部及び左腕上部を収容するように配置されるセル１５、歩行者Ｐの右肩部及び右腕上部を収容するように配置されるセル１５、歩行者Ｐの両腕下部及び胴体部を収容するように配置されるセル１５、歩行者Ｐの上半身左側を収容するように配置されるセル１５、歩行者Ｐの下半身左側を収容するように配置されるセル１５、及び歩行者Ｐの下半身右側を収容するように配置されるセル１５等のように、歩行者Ｐの比較的広い部位を１つのセル１５で取り囲む場合が存在する。このため、探索範囲１４のＨＯＧ特徴量Ｂは、歩行者Ｐの頭部右側の形の特徴を示すＨＯＧ特徴量Ａ、歩行者Ｐの左肩部と左腕上部の形の特徴を示すＨＯＧ特徴量Ａ、歩行者Ｐの右肩部と右腕上部の形の特徴を示すＨＯＧ特徴量Ａ、歩行者Ｐの両腕下部と胴体部の形の特徴を示すＨＯＧ特徴量Ａ、歩行者Ｐの上半身左側の形の特徴を示すＨＯＧ特徴量Ａ、歩行者Ｐの下半身左側の形の特徴を示すＨＯＧ特徴量Ａ、及び歩行者Ｐの下半身右側の形の特徴を示すＨＯＧ特徴量Ａを含むことになる。
従って、弱識別器生成手段１７により、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択してそれぞれ弱識別器とすると、歩行者Ｐの頭部右側を識別するＨＯＧ特徴量、歩行者Ｐの左肩部と左腕上部を識別するＨＯＧ特徴量、歩行者Ｐの右肩部と右腕上部を識別するＨＯＧ特徴量、歩行者Ｐの両腕下部と胴体部を識別するＨＯＧ特徴量、歩行者Ｐの上半身左側を識別するＨＯＧ特徴量、歩行者Ｐの下半身左側を識別するＨＯＧ特徴量、及び歩行者Ｐの下半身右側を識別するＨＯＧ特徴量等のように、歩行者Ｐの比較的広い部位を一括して識別するＨＯＧ特徴量が、弱識別器として選択される。これにより、歩行者Ｐを識別する際に使用する弱識別器の個数を低減することができる。その結果、検査画像中に探索範囲１４を順次設定しながら、探索範囲１４内の画像（ＨＯＧ特徴量Ｂ）に対して求めた識別器の出力値から歩行者Ｐの存否を判定することにより、検査画像中の歩行者Ｐの存否を決定する場合、１つの探索範囲１４内の画像の識別に要する時間が短縮され（弱識別器の個数が少なくなるため、弱識別器の数を１つずつ増やしながら行う識別処理の回数が低下することに伴う総処理時間が短くなって）、検査画像中の歩行者Ｐの存否を短時間で決定することができる。
一方、図２（Ｂ）に示すように、従来のＨＯＧ特徴量、例えば、非特許文献１のＨＯＧ特徴量（DalalとTriggsによるオリジナルＨＯＧ特徴量）は、探索領域２５全域に一定サイズのセル２５ａを隙間なく配置して、セル２５ａ毎に求めたＨＯＧ特徴量を組み合せて探索範囲２５内の画像のＨＯＧ特徴量としている。このため、探索範囲２５内に歩行者Ｐが存在する場合、セル２５ａを用いて歩行者Ｐの輪郭をすべて覆うには、多くのセル２５ａが必要になる。
このため、探索範囲２５内の画像のＨＯＧ特徴量から、RealAdaBoostのアルゴリズムを用いて、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択すると、例えば、歩行者Ｐの頭部右側、左肩部と左腕上部、右肩部と右腕上部、両腕下部と胴体部量、上半身左側、下半身左側、及び下半身右側の形の特徴の識別には、それぞれ複数のＨＯＧ特徴量が選択される。このため、歩行者Ｐの識別に使用する弱識別器の個数は多くなる。
その結果、検査画像中に探索範囲２５を順次設定しながら、探索範囲２５内の画像から歩行者の存否を判定することにより、検査画像中の歩行者の存否を決定する場合、１つの探索範囲２５内の画像の判定に長時間を要し、検査画像中の歩行者の存否を短時間で決定することができない。
その結果、検査画像中に探索範囲２５を順次設定しながら、探索範囲２５内の画像から歩行者の存否を判定することにより、検査画像中の歩行者の存否を決定する場合、１つの探索範囲２５内の画像の判定に長時間を要し、検査画像中の歩行者の存否を短時間で決定することができない。
次に、本発明の第２の実施の形態に係る物体の検出方法を適用する物体の検出装置２６について説明する。
図４に示すように、物体の検出装置２６は、検出対象物の一例である歩行者Ｐの画像及び非検出対象物の一例である背景の画像からなる学習画像（図示せず）を用いて歩行者Ｐ（歩行者Ｐの各部位）を識別する弱識別器を構築する学習機構２７と、検査画像（図示せず）中に探索範囲を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより探索範囲内の画像に対して求めた識別器の出力値からの歩行者Ｐの存否を決定する判定機構２８とを有している。
図４に示すように、物体の検出装置２６は、検出対象物の一例である歩行者Ｐの画像及び非検出対象物の一例である背景の画像からなる学習画像（図示せず）を用いて歩行者Ｐ（歩行者Ｐの各部位）を識別する弱識別器を構築する学習機構２７と、検査画像（図示せず）中に探索範囲を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより探索範囲内の画像に対して求めた識別器の出力値からの歩行者Ｐの存否を決定する判定機構２８とを有している。
ここで、物体の検出装置２６は物体の検出装置１０と比較して、識別判定値生成手段２１の代わりに判定値生成手段２９、識別手段２３及び判定手段２４の代わりに、判定値設定手段３０及び識別処理管理手段３１をそれぞれ設けたことが特徴となっている。このため、判定値生成手段２９、判定値設定手段３０、及び識別処理管理手段３１についてのみ説明し、共通の手段については同一の符号を付して説明を省略する。
判定値生成手段２９は、学習画像に設定した探索範囲内の画像のＨＯＧ特徴量Ｂに対して、弱識別器生成手段１７から得られた弱識別器を用いたRealAdaBoostのアルゴリズムによる学習処理を繰り返して歩行者Ｐを検出した際に、学習処理の回数毎に求められる識別器から出力された出力値（学習画像内に設定した探索範囲内のＨＯＧ特徴量が歩行者Ｐであることを示す数値）の最小値を求める機能を備えている。
判定値設定手段３０は、判定値生成手段２９で求めた学習処理の回数毎の最小値を、それぞれ識別処理の回数毎の判定値に設定する機能を有している。
判定値設定手段３０は、判定値生成手段２９で求めた学習処理の回数毎の最小値を、それぞれ識別処理の回数毎の判定値に設定する機能を有している。
識別処理管理手段３１は、検査画像中に設定する探索範囲内の画像のＨＯＧ特徴量に対して、弱識別器生成手段１７から得られた弱識別器を用いたRealAdaBoostのアルゴリズムによる識別処理を繰り返す際に、識別処理の回数毎に求められる識別器の出力値が、判定値設定手段３０で設定した識別処理の回数毎の判定値と比較して、判定値未満の場合は識別処理を終了し、識別器の出力値が判定値以上の場合は識別処理を継続し、識別処理の回数が、予め設定した回数行われた場合に、検査画像中に設定する探索範囲内に歩行者Ｐが存在すると判定する機能を有している。
ここで、識別処理は、弱識別器の数を１つずつ増やしながら行うので、予め設定した回数は、選択した弱識別器の個数と同数となる（即ち、選択した弱識別器全てを用いて識別処理が行われるまでの回数となる）。なお、歩行者検出の正解率は、弱識別器の個数が多いほど高くなるが、図３に示すように、弱識別器の個数が一定数を超えた場合、正解率の向上は非常に小さくなる（飽和傾向にある）ので、例えば、識別器の出力が飽和予想値の９０％を超えた時点で、又は識別処理の回数が選択した弱識別器の個数の８０％に到達した時点で、識別処理を終了するようにしてもよい。
その結果、検査画像中に順次設定する探索範囲内における歩行者Ｐの存在判定では、探索範囲毎に弱識別器の個数の異なる識別器を用いて歩行者Ｐの識別が行われることになる。
なお、判定値生成手段２９、判定値設定手段３０、及び識別処理管理手段３１は、それぞれの機能を発現するプログラムを、コンピュータに搭載することにより構成できる。
ここで、識別処理は、弱識別器の数を１つずつ増やしながら行うので、予め設定した回数は、選択した弱識別器の個数と同数となる（即ち、選択した弱識別器全てを用いて識別処理が行われるまでの回数となる）。なお、歩行者検出の正解率は、弱識別器の個数が多いほど高くなるが、図３に示すように、弱識別器の個数が一定数を超えた場合、正解率の向上は非常に小さくなる（飽和傾向にある）ので、例えば、識別器の出力が飽和予想値の９０％を超えた時点で、又は識別処理の回数が選択した弱識別器の個数の８０％に到達した時点で、識別処理を終了するようにしてもよい。
その結果、検査画像中に順次設定する探索範囲内における歩行者Ｐの存在判定では、探索範囲毎に弱識別器の個数の異なる識別器を用いて歩行者Ｐの識別が行われることになる。
なお、判定値生成手段２９、判定値設定手段３０、及び識別処理管理手段３１は、それぞれの機能を発現するプログラムを、コンピュータに搭載することにより構成できる。
続いて、本発明の第２の実施の形態に係る物体の検出方法について説明する。
本発明の第２の実施の形態に係る物体の検出方法は、歩行者Ｐの画像及び非歩行者の画像（歩行者Ｐの背景画像）からなる学習画像を用いて、歩行者Ｐの識別に有効な複数の弱識別器を構築する学習過程と、検査画像中に探索範囲を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより探索範囲内の画像（ＨＯＧ特徴量）に対して求めた識別器の出力値から歩行者Ｐの存否を決定する判定過程とを有する。
ここで、学習過程は、歩行者Ｐの画像及び非歩行者の画像（歩行者Ｐの背景画像）からなる学習画像中に探索範囲を設定すると共に、探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズのセルを順次用いて、セルを、セル同士を一部重ねながら探索範囲の全域に配置してセル毎のＨＯＧ特徴量Ａを算出して探索範囲内の画像のＨＯＧ特徴量Ｂとする第１工程と、ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択しそれぞれ弱識別器とする第２工程とを有している。このため、探索範囲内に歩行者Ｐを示す画像が存在すると、歩行者Ｐの比較的広い部位を含むようなセルが存在する。
本発明の第２の実施の形態に係る物体の検出方法は、歩行者Ｐの画像及び非歩行者の画像（歩行者Ｐの背景画像）からなる学習画像を用いて、歩行者Ｐの識別に有効な複数の弱識別器を構築する学習過程と、検査画像中に探索範囲を設定しながら、弱識別器を用いたRealAdaBoostのアルゴリズムにより探索範囲内の画像（ＨＯＧ特徴量）に対して求めた識別器の出力値から歩行者Ｐの存否を決定する判定過程とを有する。
ここで、学習過程は、歩行者Ｐの画像及び非歩行者の画像（歩行者Ｐの背景画像）からなる学習画像中に探索範囲を設定すると共に、探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズのセルを順次用いて、セルを、セル同士を一部重ねながら探索範囲の全域に配置してセル毎のＨＯＧ特徴量Ａを算出して探索範囲内の画像のＨＯＧ特徴量Ｂとする第１工程と、ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択しそれぞれ弱識別器とする第２工程とを有している。このため、探索範囲内に歩行者Ｐを示す画像が存在すると、歩行者Ｐの比較的広い部位を含むようなセルが存在する。
その結果、弱識別器生成手段１７により、歩行者Ｐの識別に有効なＨＯＧ特徴量を複数選択してそれぞれ弱識別器とすると、歩行者Ｐの比較的広い部位を一括して識別するＨＯＧ特徴量が、弱識別器として選択される。これにより、歩行者Ｐを識別する際に使用する弱識別器の個数を低減することができ、検査画像中に探索範囲を順次設定しながら、探索範囲内の歩行者Ｐの存否を判定することにより、検査画像中の歩行者Ｐの存否を決定する場合、１つの探索範囲内の画像の識別に要する時間が短縮され、検査画像中の歩行者Ｐの存否を短時間で決定することができる。
探索範囲内の画像に対して、弱識別器を用いたRealAdaBoostのアルゴリズムによる識別処理を繰り返して求められる識別器の出力値は、探索範囲内に歩行者Ｐが存在しておれば、識別処理の回数が多くなるほど、識別器から出力される出力値は大きくなる。そこで、識別器の出力値が識別処理の回数毎に予め設定した判定値未満の場合は、探索範囲内に歩行者Ｐが存在しないと判定して識別処理を終了することができる。その結果、検査画像中に順次設定する探索範囲内の画像（ＨＯＧ特徴量）に対して、弱識別器を用いたRealAdaBoostのアルゴリズムによる識別処理を繰り返して求められる識別器の出力値から探索範囲における歩行者Ｐの存否判定を行う場合、探索範囲毎に、識別器を構成する弱識別器の個数が異なることになり、探索範囲内における歩行者Ｐの存否判定に要する時間、特に、探索範囲内に歩行者Ｐが存在しない判定に要する時間を大幅に短縮することができる。
一方、探索範囲内に歩行者Ｐが存在する場合は、識別処理の回数毎に識別器から出力される出力値は判定値以上となるため、識別器から最終出力値が出力されるまで識別処理が行われることになる。
一方、探索範囲内に歩行者Ｐが存在する場合は、識別処理の回数毎に識別器から出力される出力値は判定値以上となるため、識別器から最終出力値が出力されるまで識別処理が行われることになる。
ここで、識別処理の回数毎に設定した判定値は、学習画像に設定した探索範囲内に歩行者Ｐが存在する場合において、弱識別器を用いたRealAdaBoostのアルゴリズムによる学習処理を繰り返して、学習処理の回数毎に求められる識別器が歩行者Ｐを認識（検出）した際に出力される出力値の最小値である。判定値を、識別器が歩行者Ｐを認識（検出）した際に出力される出力値の最小値とすることで、探索範囲内に歩行者Ｐが存在することの判定を、安全側で（誤判定の発生を抑制して）行うことができる。
更に、探索領域毎に弱識別器の個数が異なる識別器を用いて識別することは、例えば、背景領域は少ない弱識別器で構成された識別器で高速に識別され、歩行者Ｐが存在する領域及び歩行者Ｐに類似する領域では弱識別器の個数の多い識別器で識別されることになる。このため、結果的に歩行者Ｐの識別精度向上が達成される。
更に、探索領域毎に弱識別器の個数が異なる識別器を用いて識別することは、例えば、背景領域は少ない弱識別器で構成された識別器で高速に識別され、歩行者Ｐが存在する領域及び歩行者Ｐに類似する領域では弱識別器の個数の多い識別器で識別されることになる。このため、結果的に歩行者Ｐの識別精度向上が達成される。
（実施例１）
第１の発明に係る物体の検出方法を用いて、歩行者データベースのひとつであるINRIA Person Datasetから、学習画像として、Positiveクラス画像（人物全身像の画像）を２４１６枚、Negativeクラス画像（人物以外の画像）を６０００枚それぞれ選んで、RealAdaBoostを用いた機械学習により、人の各部位を認識する５００個の弱識別器を選択した。次いで、５００個の弱識別器を用いて人の識別器を構成し、INRIA Person Datasetから、検査画像として、Positiveクラス画像を１１２６枚、Negativeクラス画像を３０００枚それぞれ選んで、人検出実験を行った。ここで、学習画像及び検査画像内に設定するセルの最小サイズは縦４画素横４画素、最大サイズは縦４８画素横２４画素である。
その結果、Positiveクラス画像をPositiveクラス画像として、Negativeクラス画像をNegativeクラス画像としてそれぞれ判定した割合を示す正答率は、９６．３％であった。
また、検査画像中に設定した探索領域（縦６０画素、横３０画素）内の識別に要する処理時間は、Positiveクラス画像、Negativeクラス画像いずれに対しても２８．９６マイクロ秒であった。
更に、識別器を構成する弱識別器の個数と誤り率の関係を図５に示す。
第１の発明に係る物体の検出方法を用いて、歩行者データベースのひとつであるINRIA Person Datasetから、学習画像として、Positiveクラス画像（人物全身像の画像）を２４１６枚、Negativeクラス画像（人物以外の画像）を６０００枚それぞれ選んで、RealAdaBoostを用いた機械学習により、人の各部位を認識する５００個の弱識別器を選択した。次いで、５００個の弱識別器を用いて人の識別器を構成し、INRIA Person Datasetから、検査画像として、Positiveクラス画像を１１２６枚、Negativeクラス画像を３０００枚それぞれ選んで、人検出実験を行った。ここで、学習画像及び検査画像内に設定するセルの最小サイズは縦４画素横４画素、最大サイズは縦４８画素横２４画素である。
その結果、Positiveクラス画像をPositiveクラス画像として、Negativeクラス画像をNegativeクラス画像としてそれぞれ判定した割合を示す正答率は、９６．３％であった。
また、検査画像中に設定した探索領域（縦６０画素、横３０画素）内の識別に要する処理時間は、Positiveクラス画像、Negativeクラス画像いずれに対しても２８．９６マイクロ秒であった。
更に、識別器を構成する弱識別器の個数と誤り率の関係を図５に示す。
（実施例２）
第２の発明に係る物体の検出方法を用いて、実施例１と同一の検査画像に対して人検出実験を行い、正答率を求めた。また、実施例１と同一サイズの１つの探索領域内の識別に要する処理時間を求めた。なお、実施例２で使用する強識別器は、実施例１で使用した弱識別器と同一である。その結果、人検出実験の正答率は、９７．１％であった。また、１つの探索領域内の識別に要する処理時間は、Positiveクラス画像は２７．８０マイクロ秒、Negativeクラス画像は０．９９マイクロ秒であった。更に、識別器を構成する弱識別器の個数と誤り率の関係を図５に示す。
第２の発明に係る物体の検出方法を用いて、実施例１と同一の検査画像に対して人検出実験を行い、正答率を求めた。また、実施例１と同一サイズの１つの探索領域内の識別に要する処理時間を求めた。なお、実施例２で使用する強識別器は、実施例１で使用した弱識別器と同一である。その結果、人検出実験の正答率は、９７．１％であった。また、１つの探索領域内の識別に要する処理時間は、Positiveクラス画像は２７．８０マイクロ秒、Negativeクラス画像は０．９９マイクロ秒であった。更に、識別器を構成する弱識別器の個数と誤り率の関係を図５に示す。
（比較例）
比較例として、Ｄａｌａｌら（非特許文献１）のＨＯＧ特徴量を使用した物体の検出方法において、実施例１と同一の学習画像に対してRealAdaBoostを用いた機械学習により、人の各部位をそれぞれ認識する５００個の弱識別器を選択し、５００個の弱識別器を線型結合して強識別器とした。そして、実施例１と同一の検査画像に対して人検出実験を行い、正答率を求めた。また、実施例１と同一サイズの１つの探索領域内の識別に要する処理時間を求めた。ここで、学習画像及び検査画像内に設定するセルのサイズは、縦５画素横５画素である。
その結果、人検出実験の正答率は、９４．８％であった。また、１つの探索領域内の識別に要する処理時間は、Positiveクラス画像、Negativeクラス画像いずれに対しても１５２．５１マイクロ秒であった。更に、識別器を構成する弱識別器の個数と誤り率の関係を図５に示す。
比較例として、Ｄａｌａｌら（非特許文献１）のＨＯＧ特徴量を使用した物体の検出方法において、実施例１と同一の学習画像に対してRealAdaBoostを用いた機械学習により、人の各部位をそれぞれ認識する５００個の弱識別器を選択し、５００個の弱識別器を線型結合して強識別器とした。そして、実施例１と同一の検査画像に対して人検出実験を行い、正答率を求めた。また、実施例１と同一サイズの１つの探索領域内の識別に要する処理時間を求めた。ここで、学習画像及び検査画像内に設定するセルのサイズは、縦５画素横５画素である。
その結果、人検出実験の正答率は、９４．８％であった。また、１つの探索領域内の識別に要する処理時間は、Positiveクラス画像、Negativeクラス画像いずれに対しても１５２．５１マイクロ秒であった。更に、識別器を構成する弱識別器の個数と誤り率の関係を図５に示す。
実施例１、２、及び比較例の結果から、実施例１、２では処理時間の大幅な短縮が可能になることが確認できた。特に、実施例２では、Negativeクラス画像に対して、比較例と比較して約１５４倍の処理速度の向上が実現した。
実施例１、２では、大きなサイズのセルを用いて探索領域内の道路等エッジの少ない領域を高速に排除し、次に建造物や街路樹と歩行者を小さいサイズのセルを用いることによって精度よく分類している。このように、識別が簡単な領域ではセルサイズを大きくして弱識別器の数を少なくし、識別が難しい領域でセルのサイズを小さくして弱識別器の数を多くすることにより、図５に示すように、弱識別器数が少ない段階での誤り率の大幅な低下（識別精度の大幅な向上）が可能になった。
実施例１、２では、大きなサイズのセルを用いて探索領域内の道路等エッジの少ない領域を高速に排除し、次に建造物や街路樹と歩行者を小さいサイズのセルを用いることによって精度よく分類している。このように、識別が簡単な領域ではセルサイズを大きくして弱識別器の数を少なくし、識別が難しい領域でセルのサイズを小さくして弱識別器の数を多くすることにより、図５に示すように、弱識別器数が少ない段階での誤り率の大幅な低下（識別精度の大幅な向上）が可能になった。
以上、本発明を、実施の形態を参照して説明してきたが、本発明は何ら上記した実施の形態に記載した構成に限定されるものではなく、特許請求の範囲に記載されている事項の範囲内で考えられるその他の実施の形態や変形例も含むものである。
更に、本実施の形態とその他の実施の形態や変形例にそれぞれ含まれる構成要素を組合わせたものも、本発明に含まれる。
更に、本実施の形態とその他の実施の形態や変形例にそれぞれ含まれる構成要素を組合わせたものも、本発明に含まれる。
１０：物体の検出装置、１１：学習機構、１２：判定機構、１３：学習画像、１４：探索範囲、１５：セル、１６：ＨＯＧ特徴量算出手段、１７：弱識別器生成手段、１８：学習画像保存部、１９：第１のＨＯＧ特徴量算出部、２０：第２のＨＯＧ特徴量算出部、２１：識別判定値生成手段、２２：検査用ＨＯＧ特徴量算出手段、２３：識別手段、２４：判定手段、２５：探索範囲、２５ａ：セル、２６：物体の検出装置、２７：学習機構、２８：判定機構、２９：判定値生成手段、３０：判定値設定手段、３１：識別処理管理手段
Claims (4)
- 検出対象物の画像及び非検出対象物の画像からなる学習画像を用いて該検出対象物を識別する複数の弱識別器を構築する学習過程と、検査画像中に探索範囲を設定しながら、前記弱識別器を用いたRealAdaBoostのアルゴリズムにより前記探索範囲内の画像に対して求めた識別器の出力値から該検出対象物の存否を決定する判定過程とを有する物体の検出方法において、
前記学習過程は、前記学習画像に前記探索範囲を設定すると共に該探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズの前記セルを順次用いて、該セルを、該セル同士を一部重ねながら前記探索範囲の全域に配置すると共に、配置した前記セル内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、サイズが一定の前記セル毎の前記ＨＯＧ特徴量Ａを前記探索範囲に配置した該セルの順番に並べたものを、更に該セルのサイズの順に並べて前記探索範囲内の画像のＨＯＧ特徴量Ｂとする第１工程と、
前記ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、前記検出対象物の特徴的な部位をそれぞれ１つの前記セルで取り囲んだ場合のＨＯＧ特徴量を選択しそれぞれ前記弱識別器とする第２工程とを有することを特徴とする物体の検出方法。 - 請求項１記載の物体の検出方法において、前記判定過程では、前記検査画像中に設定する前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる識別処理を繰り返して判定を行う際に、前記識別器の出力値が前記識別処理の回数毎に予め設定した判定値未満の場合は前記識別処理を終了することにより、前記検査画像中に設定する前記探索範囲毎に、前記識別器を構成する前記弱識別器の個数を変え、前記識別処理の回数毎に予め設定した前記判定値は、前記学習画像に設定した前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して前記検出対象物を検出した際に、前記学習処理の回数毎に求められる識別器から出力された出力値の最小値であることを特徴とする物体の検出方法。
- 検出対象物の画像及び非検出対象物の画像からなる学習画像を用いて該検出対象物を識別する複数の弱識別器を構築する学習機構と、検査画像中に探索範囲を設定しながら、前記弱識別器を用いたRealAdaBoostのアルゴリズムにより前記探索範囲内の画像に対して求めた識別器の出力値から該検出対象物の存否を決定する判定機構とを有する物体の検出装置において、
前記学習機構は、前記学習画像に前記探索範囲を設定すると共に該探索範囲内の局所領域の大きさを決めるセルのサイズを複数設定し、各サイズの前記セルを順次用いて、該セルを、該セル同士を一部重ねながら前記探索範囲の全域に配置すると共に、配置した前記セル内の画像のＨＯＧ特徴量Ａをそれぞれ算出し、サイズが一定の前記セル毎の前記ＨＯＧ特徴量Ａを前記探索範囲に配置した該セルの順番に並べたものを、更に該セルのサイズの順に並べることにより前記探索範囲内の画像のＨＯＧ特徴量Ｂを求めるＨＯＧ特徴量算出手段と、
前記ＨＯＧ特徴量Ｂから、RealAdaBoostのアルゴリズムを用いて、前記検出対象物の特徴的な部位をそれぞれ取り囲む１つのセルのＨＯＧ特徴量を選択しそれぞれ前記弱識別器とする弱識別器生成手段とを有することを特徴とする物体の検出装置。 - 請求項３記載の物体の検出装置において、前記判定機構は、前記検査画像中に設定する前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる識別処理を繰り返して判定を行う際に、前記識別器の出力値が前記識別処理の回数毎に予め設定した判定値未満の場合は前記識別処理を終了することにより、前記検査画像中に設定する前記探索範囲毎に、前記識別器を構成する前記弱識別器の個数を変える識別処理管理手段を有し、
前記学習機構は、前記学習画像に設定した前記探索範囲に対して前記弱識別器を用いてRealAdaBoostのアルゴリズムによる学習処理を繰り返して前記検出対象物を検出した際に、前記学習処理の回数毎に求められる識別器から出力された出力値の最小値を求める判定値生成手段を有し、
前記判定機構は、前記識別判定値生成手段で求めた各最小値を、前記識別処理の回数毎に予め設定した前記判定値とする判定値設定手段を有していることを特徴とする物体の検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011265081A JP5901054B2 (ja) | 2011-12-02 | 2011-12-02 | 物体の検出方法及びその方法を用いた物体の検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011265081A JP5901054B2 (ja) | 2011-12-02 | 2011-12-02 | 物体の検出方法及びその方法を用いた物体の検出装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013117865A JP2013117865A (ja) | 2013-06-13 |
| JP5901054B2 true JP5901054B2 (ja) | 2016-04-06 |
Family
ID=48712385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011265081A Active JP5901054B2 (ja) | 2011-12-02 | 2011-12-02 | 物体の検出方法及びその方法を用いた物体の検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5901054B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6151908B2 (ja) * | 2012-11-14 | 2017-06-21 | 日本放送協会 | 学習装置、識別装置、およびそのプログラム |
| JP2014106685A (ja) * | 2012-11-27 | 2014-06-09 | Osaka Univ | 車両周辺監視装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4997178B2 (ja) * | 2008-06-10 | 2012-08-08 | 学校法人中部大学 | 物体検出装置 |
| JP4553044B2 (ja) * | 2008-09-26 | 2010-09-29 | ソニー株式会社 | 集団学習装置及び方法 |
| JP5335554B2 (ja) * | 2009-05-19 | 2013-11-06 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
| JP5394967B2 (ja) * | 2010-03-29 | 2014-01-22 | セコム株式会社 | 対象物検知装置 |
| JP5290229B2 (ja) * | 2010-03-30 | 2013-09-18 | セコム株式会社 | 学習装置及び対象物検知装置 |
-
2011
- 2011-12-02 JP JP2011265081A patent/JP5901054B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2013117865A (ja) | 2013-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107851195B (zh) | 利用神经网络进行目标检测 | |
| TWI651662B (zh) | 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體 | |
| CN106570453B (zh) | 用于行人检测的方法、装置和*** | |
| WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
| KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
| WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
| KR20180104609A (ko) | 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 | |
| US20170011523A1 (en) | Image processing apparatus, image processing method, and storage medium | |
| JP5223675B2 (ja) | 車両検知装置，車両検知方法並びに車両検知プログラム | |
| CN103218610B (zh) | 狗脸检测器的形成方法和狗脸检测方法 | |
| CN105404886A (zh) | 特征模型生成方法和特征模型生成装置 | |
| EP3329425A1 (en) | Media classification | |
| US9443137B2 (en) | Apparatus and method for detecting body parts | |
| JP6351243B2 (ja) | 画像処理装置、画像処理方法 | |
| US20190370982A1 (en) | Movement learning device, skill discriminating device, and skill discriminating system | |
| CN107251048B (zh) | 可靠指尖和手掌检测 | |
| CN110889421A (zh) | 目标物检测方法及装置 | |
| CN106778731B (zh) | 一种车牌定位方法及终端 | |
| KR101545809B1 (ko) | 차량 번호판 이중 검출 방법 및 장치 | |
| CN111291749B (zh) | 手势识别方法、装置及机器人 | |
| JP2011165170A (ja) | 対象物検出装置及びプログラム | |
| CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
| JP5901054B2 (ja) | 物体の検出方法及びその方法を用いた物体の検出装置 | |
| JP6077785B2 (ja) | 対象物検出装置及びプログラム | |
| JP6121997B2 (ja) | 識別器生成装置およびパターン検出装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141119 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150702 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150707 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150902 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20151006 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160104 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20160112 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160209 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160307 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5901054 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |