MACHINE PERCEPTION AND ROBOTICS GROUP

機械知覚&ロボティクスグループ
中部大学

物体検出は，入力画像を網羅的にラスタスキャンさせて得られる，膨大な数の検出ウィンドウを検出対象か非検出対象に分類する．各検出ウィンドウは，抽出した局所特徴量と統計的学習手法により学習した識別 により出力値を算出し，対象のクラスに分類する．年では，物体検出に一般的に利用されている線形SVMにより学習した識別器を，対応点追跡の問題において近似計算をして高速な識別を実現する方法がある．そこで，本研究では物体検出に対して線形 SVM の近似計算法を導入し，ラスタスキャンの高速化を検討する．さらに，提案手法では近似計算結果に応じて識別器の出力値を早期判定する．これにより，入力された検出ウィンドウに対して，近似計算に必要な基底数を適応的に判断して分類することで線形 SVM の高速な識別を可能にする．また，提案手法では線形SVMを近似計算する際に用いる，HOG特徴量をバイナリコード化した B-HOG 特徴量を共起表現して物体検出の高精度化を行う．人検出による評価実験より，提案手法はHOG特徴量と線形SVMによる物体検出手法と比較して，約6.1% 高精度な識別に加えて，約 17 倍高速な識別計算を実現した．