...

ソニーDCR PC 101

by user

on
Category: Documents
0

views

Report

Comments

Transcript

ソニーDCR PC 101
オプティカルフローを用いた車両認識
矢口
実
尾川
浩一
法政大学大学院工学研究科
本論文ではオプティカルフローを用いて,精度の高い移動物体の認識を行う手法を提案する.オプティカルフ
ローを求める手法のひとつに勾配法があるが,この方法は時空間における画像の濃度勾配と,オプティカルフ
ロー速度を結びつける拘束式からフローベクトルを求めるものである.この拘束条件としてオプティカルフロ
ー速度が画像全体でなめらかに変化することがよく用いられているが,この際,用いるパラメータの値は経験
的に判断するか何度か計算を行って決定していた.本論文で提案する方法ではあらかじめ 2 つのパラメータの
値を設定し,それぞれの値における計算結果を融合した処理を行うことで,フローベクトルの計算精度が向上
した.本手法の有効性は実験によって確認された.
1. はじめに
2. Horn の方法
オプティカルフローの検出は,コンピュータビジョン
における基礎的な問題の一つであり,これは物体形状認
識,フレーム間符号化においてよく用いられている.ま
た,ITS(Intelligent Transport System)における交通量測
定等での車両(移動物体)の認識においても重要な研究
分野である.このオプティカルフローとは動画像中にお
ける移動物体の見かけの速度のことであり,オプティカ
ルフローの計算に関していろいろな方法が提案されてい
る.従来より提案されている代表的な手法には,マッチ
ング法[1,2],グラディエント法[3,4,5]がある.このうちマ
ッチング法は,一連の画像のフレーム間で対応点を探索
し,得られた変位ベクトルからオプティカルフローを決
定する手法である.この時の対応付けは適当なサイズの
テンプレートを用いて,相互相関等を求めて行われる.
これに対し,ある点における時空間的濃度勾配を用いて
オプティカルフローを求める方法がグラディエント法で
ある.これらの方法において前提となる仮定は,移動物
体上の濃淡パターンが時間的に不変であるということで
ある.これは理想的な照明条件のもとでは成立するが,
実際には正しいオプティカルフローを求めることが困難
な場合もある.その場合は局所的な速度に関しての簡単
な平均をとること,もしくは小さな領域上で一定の速度
を仮定することによってある程度は解決できる.その代
表例が Horn らの速度場が全体的に滑らかであるという拘
束条件を導入した手法である[3].一般に,照明や雑音に
ついての条件がよい場合には,適当なパラメータを選ぶ
ことにより Horn の方法で良い結果を得ることができる.
しかし,パラメータの最適な値を事前に決定しておかな
ければならず,このことは処理の高速性が必要な場合に
は大きな障害となる.これに対して時間的,または空間
的に局所領域内でフローベクトルが一定であるという拘
束条件を導入した手法[4,5]も提案されているが,計算精
度についての改善が不十分な場合がある.このような問
題を克服するために,原画像に時空間フィルタをかけた
り[6],多重解像度解析の手法を組み込んだ処理[7]やニュ
ーラルネットワークを用いるもの[8]も提案され効果を上
げている.
本論文では,Horn らの提案した方法を改良した,環境
の変化にロバストで精度の高いオプティカルフロー算出
法を提案し,これを用いた車両の認識法の有効性を示す.
本論文ではオプティカルフローの計算において,Horn
らの方法[3]を基本にしている.ある時刻 t におけるある
画素 ( x, y ) の明るさ f ( x, y; t ) があり,この点が微小時間
dt の間に x, y 方向にそれぞれ dx, dy だけ移動したとす
f ( x + dx, y + dy; t + dt ) と表せる.この
ると,その点は
とき点の明るさが不変であるとすると
f ( x, y; t ) = f ( x + dx, y + dy; t + dt ) (1)
が成立し,右辺をテイラー展開して高次の項が無視でき
るとすると,
f xu + f y v + ft = 0
(2)
となる.ここで
fx =
u=
∂f
∂f
∂f
, f y = , ft =
∂x
∂y
∂t
(3)
dx
dy
, v=
dt
dt
(4)
である.Horn らはオプティカルフローを決定するために,
移動物体の画素は似たような速度を持ち,画像全体では
なめらかに変化することを拘束式に代入した.すなわち,
2
2
2
⎛ ∂u ⎞ ⎛ ∂u ⎞ ⎛ ∂v ⎞ ⎛ ∂v ⎞
S2 = ⎜ ⎟ + ⎜ ⎟ + ⎜ ⎟ + ⎜ ⎟
⎝ ∂x ⎠ ⎝ ∂y ⎠ ⎝ ∂x ⎠ ⎝ ∂y ⎠
2
(5)
と式 (2)を用いて以下の値を最小化する.
E = ∫∫ [( f xu + f y v + ft )2 + α 2 S 2 ]dxdy
(6)
ここで α は(2)式と(5)式との相対的な重みを規定するパ
ラメータであり,この値については後述する.(6)式は変
分法の問題であり,これを解くと次のような二つの反復
式が得られる[3].
un = u n −1 − f x
vn = v n −1 − f y
f x u n −1 + f y v n −1 + ft
2
α 2 + fx 2 + f y
f x u n −1 + f y v n −1 + ft
2
α 2 + fx 2 + f y
(7)
(8)
ここで n は反復回数を表しており, u n −1, v n −1 はそ
れぞれのベクトル成分の反復一回前における値
の近傍の平均である.(7)式と(8)式を反復的
に解くことにより画像上のそれぞれの点におけ
るオプティカルフローが得られる.
3. 提案する手法
(6)式において,対象となる画像上に雑音が少ない場
合では,拘束式を忠実に計算できるので α の値を小さく
することができる.逆に画像内に雑音が多くなると(2)
式におけるオプティカルフローベクトルの計算精度が悪
くなるので, S 2 の項の α の値を大きくして(6)式の安
定化を図るということになる.従来,この α の値は経験
的に決定するか,何度か計算を行ってから最適な値を決
定していた.本論文で提案する手法は,あらかじめ 2 種
類の α を設定し,それぞれの結果を融合することによっ
て,より短い計算時間でのオプティカルフローの計算精
度向上を目指した.提案する手法を一般道での車両の計
測を例に説明する.ここでは図 1 のような画角のシーン
から車両をオプティカルフローを用いて抽出する問題を
設定する.図 2 に,オプティカルフローベクトルの計算
と車両の抽出の流れを示す.提案する手法ではシーンに
対して α = 64 ,反復 64 回でオプティカルフローを計算す
る(図 3(a)
)
.そしてそれぞれの点において得られたオ
プティカルフローベクトル成分 u, v からベクトルの大き
さを計算する.それらの値に対して大きいほうから順に
計数していき,画像全体の画素数の 1~2%のみのフロー
ベクトルを記録する(図 3(b)
)
.計数終了条件は以下の
ように決定した.図 1 のように車両を観測する範囲を
position A から position B に設定すると,position B の
位置での車両の面積はおよそ 400pixel 以下となる(全画
素の 0.5%以下)
.また position A における車両の面積は
およそ 1500pixel 以上となる(全画素の 1.5%以上).こ
れらから車両の存在するおよその位置における車両の領
域の割合は,横方向の画像の位置( x : 0 ~ 320 )を用いる
と, 1.5 − 0.005 x(%) となる.すなわち,計算されたフロ
ーベクトルのうち大きい方から,この割合だけ残して,
それ以外を 0 にすると残ったものがおおよその車両のフ
ローベクトルとなる.次に同じシーンにおいて α = 2 ,反
復 64 回でフローを計算する(図 3(c)
)
.得られた結果
について,先ほど決定された領域内でのみフローベクト
ルの大きさ,角度について平均を取り,領域外の値はす
べて 0 にする(図 3(d))
.フローベクトルの平均を取る
ことで,移動物体領域内における雑音の除去を行い S/N
を改善している.この時点でオプティカルフロー発生領
域上のベクトルの大きさと角度が決まる.次に,オプテ
ィカルフローの値が 0 でない画素をまず検索し,フロー
ベクトルの方向にベクトルの値が 0 でない画素を見つけ,
これらの間の画素を同一のフローベクトルの値に置き換
え(図 3(e))
,同一のフローベクトルを持つ部分を車両
領域として車両の抽出を行う(図 3(f)).次にフローベ
クトルのパディングを行った理由を述べる.図 4 のよう
に移動物体が真横に動く時,フローが現れるのは,移動
物体の左端と右端のみとなり,フローベクトルそのもの
から移動物体を抽出することはできない.またフローベ
クトルは移動物体の輪郭を形成しないこともある.前述
した方法でフローベクトルを埋め,ベクトルの存在する
領域を物体領域として抽出した.
4. 実験
提案する手法の有効性を確認するために実験を行った.
実験に用いた画像は,実際の交通状況をビデオカメラで 1
時間にわたり撮影したものである.天気は晴れであるが,
日光や局所的な雲の存在により,画面の照度は時々刻々
変化している.画像はディジタルビデオカメラ
(DCR PC101:ソニー製)で撮影し,Matrox 社製のボー
ド を 介 し PC に 取 り 込 ん で い る . 画 像 サ イ ズ は
240×320pixel,フレーム時間は 1/30 秒である.ここでは
画像内に車両が 1 台だけで存在するシーンを使用し,図 5
の Lane1 では 146 台,Lane2 では 97 台の車の抽出を行っ
た.また,1 台の車両については 113 フレーム分の全デー
タを用いてオプティカルフローの計算を行い,提案する
手法の有効性を検討した.
Fig.1 The rate of the vehicles area in image
Fig. 2
The flow chart of the proposed method
Fig. 4
Flow padding
(a) Flow vectors calculated by α = 64 with 64 iterations
5. 結果
5.1. オプティカルフローの計算精度
(b) Pixels having a large vector
(c) Flow vectors calculated by α = 2 with 64 iterations
図 6~8 に,ある車両についての原画像,算出されたフ
ローベクトル分布図(拡大図)
,抽出された車両領域の図
を示す.ここで図 7 についてはフローベクトルを見やす
くするため,解像度を 1 段階落とした上,車両部分を拡
大して表示してある.また図 5 の Lane1,2 について,フ
ローベクトルの角度の理論値を画像中の走行車線から計
算し,実験で得られた結果と比較したものを表 1 に示す.
Lane1 を走行する車両については 90%以上が,Lane2 につ
いては 85%以上が理論値から誤差 5%以内となった.ベ
クトルの大きさに関しては,図 1 の position A に車両があ
る場合と position B に車両がある場合は見かけの速度が
異なるので理論値を求めることはできないが,position B
における見かけの速度はおおよそ 2pixel/frame ほどであ
る.これから実際に計算された結果と比べると,両 Lane
ともその範囲に収まっておりベクトルの大きさに関して
もよい精度であると考えられる(表 2).
5.2
(d) Averaged flow vectors whose pixel values are large
(e) Vector field after flow padding
(f) Extracted vehicle area
Fig. 3
Decision of a vehicle area
1 台の車両におけるオプティカルフローの変化
図 9 ~11 に 1 台の車両を追跡した結果のグラフを示す.
図 9 で示したベクトルの大きさについては,α = 2 と提案
する手法とは同様の傾向を示し,その値の範囲は 0.5~2.0
に収まっており理論値の範囲であるといえる.しかし,
α = 64 の場合は傾きが緩く,また,その値も小さいので
物体の動きを正確に捉えたとは言い難い.また,α = 2 の
場合には,2カ所に大きく値が変化している部分があり,
何らかの雑音を拾ったためと考えられるが提案手法は安
定な結果となっている.図 10 のベクトルの角度に関して
は,すべての場合でその平均値は一定し,その値も理論
値と一致しているが,提案した手法が最も変動が少なく
安定した結果となった.図 11 の車両面積に関しては提案
する手法と α = 64 の場合は重なり,その値も計数条件の
際に用いた範囲(400~1500pixel)内に収まっており,車
両を正しく追跡していると考えられる.これに対して,
α = 2 の場合では計算誤差等により,車両以外の領域も誤
認してしまっているため,車両の抽出ができていないこ
とがわかる.これらの結果から,提案した手法は安定し
て,正確なフローベクトルの抽出に成功していることが
わかる.
Table 1 Calculated vector sizes
ベクトルの大きさ
計算結果
Lane1 の車両
1.1~1.9pixel
Lane2 の車両
1.2~1.8pixel
Fig. 5
Lanes 1 and 2 in a source image
Fig. 9 Vector angle for a vehicle
Fig. 6
Fig. 7
Example of an original image (Lane 2)
Distribution of optical flow in Fig. 6
Fig. 10 Calculated area about one vehicle
Fig. 8
Vector size for a vehicle
Table 1 Calculated vector angles and theoretical values
ベクトルの角度
理論値
誤差 5%以内
Lane1 の車両
-168.5°±2.5°
91.8%
Lane2 の車両
-173.7°±0.6°
85.6%
Fig. 10 Calculated area about one vehicle
6. 考察
6.1 提案手法の利点
Horn らが提案した手法では自然環境等で種々の雑音が
入る系において,正確にフローベクトルを求めることが
できない場合があり,本論文ではこの点を改善すること
を第 1 の目的とした.彼らの論文において正則性の改善
のために導入されたパラメータ α は,本来,シーンの雑
音の性質や状況に応じて最適に変化させて用いるべきで
ある.そこで,本手法では画像に雑音が多い画像に適し
た α での結果と,雑音が少ない場合に適した α の値での
結果とを融合し,さらに精度を高めることを行った.こ
こで α の値について考えてみると,α の値が大きい場合,
雑音の影響が抑えられているので,認識の対象となる物
体の部分の画素をそのベクトルの大きさから抽出できる.
しかし, α の値が大きいということは雑音成分が抑えら
れるだけでなくフローベクトルの大きさも抑えられてし
まう.そこで, α が大きい場合の結果は物体の大まかな
位置を捉えるという役割のみに使用した.逆に, α が小
さい場合は雑音に敏感であるので,物体の大まかな領域
上でベクトルの大きさ,角度ともにそれぞれ平均をとる
ことで雑音の影響が除去でき,より精度の高いオプティ
カルフローベクトルを求めることが可能となる.また,
物体の抽出ということを考えると,多くの場合,フロー
ベクトルの大きさのみで抽出できる物体領域は連続した
領域にはなっていない.そこで,それぞれの画素におい
て計算されたベクトルの角度に注目し,それぞれのベク
トルの角度の方向の先に別のベクトル発生点があること
を前提にそれを検索し,その 2 つのフローベクトルの間
の画素を同一のベクトルで埋める操作を行った.
6.2 243 台の車両についてのフローベクトルの計算結果
フローベクトルの検出精度については Lane1 と 2 とで,
ベクトルの角度に関して若干の差が出たが,この原因は
背景と物体領域とが一部で同化したためである.すなわ
ち,車両のフロントガラスの部分はグレースケールでは
大体が黒に近い灰色となる.一方、今回用いた画像には
Lane2 の背景に草の生えた土手があり,これがフロントガ
ラスと一部で同色になり移動物体と背景の区別がつかな
い部分が発生した.ベクトルの大きさに関してはそれぞ
れの車両の速度の違い等により理論値との比較を表すこ
とができないが,その値はほぼ正確であると考えられる.
また車両の面積については前述の問題点により,隙間を
埋め立てきれなかったものを除いてはほぼ原画像の車両
の領域と一致しており,こちらの結果も問題はないと考
えられる.
6.3 1 台の車両についてのフローベクトルの経時的変化
1 台の車両を追跡した結果についてはほぼ理論値の範
囲に収まっている.α = 2 または α = 64 に固定した場合
と提案する手法とを比べると, α = 2 の場合は雑音の影
響を受けやすくなっているのに対し,提案手法は安定し
た値を出すことが示された.また,面積に関しては,
α = 64 の場合,抽出する領域を求める際に,用いている
情報が提案する手法と同じになるのでグラフが重なるの
は当然と言える.一方, α = 2 の場合は雑音の影響を大
きく受け,本来車両のある領域以外にも抽出された領域
が出てきてしまったためグラフは激しく上下している.
最後にベクトルの大きさについては,α = 64 の場合,見
かけの動きの増加に対してほとんどベクトルの大きさが
増加しておらず実際の動きを捉えているとは言い難い.
逆に α = 2 の場合は平均する際に,計算している領域ご
認識のため増加し,平均後の値に影響を与えたものと考
えられる.以上から 2 種類の α を用いる手法の有効性が
確認できたと考えられる.
7. むすび
オプティカルフローを用いた移動物体の認識に対して,
Horn の方法を基にした新しいアルゴリズムを提案した.
実験結果から本手法の雑音に対する安定性ならびにフロ
ーベクトルの計算の正確性が示され,移動物体認識の精
度が向上した.
参考文献
[1]
J.A. Leese, C.S. Novak, and V.R. Taylor, “The determination
of cloud pattern motions from geosynchronous satellite
image data,” Pattern Recognition, vol.2, pp.279–292, 1970.
[2] S.T. Barnard, W.B. Thompson, “Disparity analysis of
images,” IEEE Trans. Pattern Anal. Machine Intell.,
vol.PAMI–2, pp.330–340, 1980.
[3] B.K.P. Horn, B.G. Schunck, “Detecting optical flow,”
Artificial Intelli., vol.17, pp.185–203, 1981.
[4] J.K. Kearney, W.B. Thompson, D.L. Boley, “Optical flow
estimation :An error analysis of gradient-based methods with
local optimization,” IEEE Trans. Pattern Anal. Machine
Intell., vol.PAMI–9, no. 2, pp.229–244, Feb. 1987.
[5] A. Nomura, H. Miike, K. Koga, “Field theory approach for
determining optical flow,” Pattern Recog. Letters, vol.12,
no.3, pp.183–190, March 1991.
[6] 遠藤利生, 鳥生隆, 吉田真澄,“時空間に関する滑らかさ
制約を用いたオプティカルフローの算出,” 信学論(D),
vol.J74-D-II, no.12, pp.1678–1685, Oct. 1991.
[7] E. Memin, P. Perez, “Dense estimation and object–based
segmentation of the optical flow with robust techniques,”
IEEE Trans. Image Proc., vol.7, no.5, pp.703–719, 1998.
[8] A.G. Bors, I. Pitas, “Optical flow estimation and moving
object segmentation based on median radial basis function
network,” IEEE Trans. Image Proc., vol.7, no.5, pp.693-702,
1998.
キーワード.
オプティカルフロー、車両検出、パターン認識、画像処理
Summary.
Robust Vehicle Detection with Optical Flow
Minoru Yaguchi Koichi Ogawa
Graduate School of Eng., Hosei University, Tokyo, Japan
We present a robust vehicle detection method with optical flow which calculates image velocity from spatiotemporal
intensity derivatives. This method is based on the regularization technique which is reported by Horn and Schunk. In our
proposed method the position where optical flow exists is calculated with a higher regularized parameter-value and the
average flow vector within a vehicle is calculated on above positions by a smaller regularized parameter-value. The
performance of the proposed method was clarified by the simulation.
Keywords.
optical flow, vehicle detection, pattern recognition, image processing
Fly UP