道路標識検知システムの 調査と実装 MEMSYS B3 zukky 親:aqramさん
道路標識検知システムの調査と実装 MEMSYS B3 zukky 親:aqramさん
概要
• 複数の道路標識検知アルゴリズムを実装して比較と評価を行う
Road Sign
背景
• 画像処理を用いて自動車ユーザの運転補助を行う技術が普及し始めている
• 特に前方カメラで道路標識を取得する方法が様々な手法で
提案されている
使用想定環境
• カメラ • 車載カメラなどの自動車に固定されているカメラ
• 出力方法 • フロントガラスでプロジェクトマッピング • 運転者の前に設置されたモニタ • カーナビ • etc
関連研究
• Statistical Textural Distinctiveness for Salient Region Detection in Natural Images • Christian Scharfenberger, Alexander Wong, Khalil Fergani, John S. Zelek and David
A. Clausi • CVPR2013
• 画像の目立つ部分を抽出する手法の提案
• Road-Sign Detection and Recognition Based on Support Vector Machines • Saturnino Maldonado-Bascón, Member, IEEE, Sergio Lafuente-Arroyo, Pedro Gil-
Jiménez, Hilario Gómez-Moreno, Member, IEEE, and Francisco López-Ferreras • IEEE ITS Transactions 2007
• 画面上の看板を検知する手法
目的
• 複数の標識検知アルゴリズムの精度や長短を比較する
機能要件
• 入力した画像から標識を検知する
実装
• OS • OS X 10.9.5
• 使用言語 • C++
• 使用ライブラリ • OpenCV
実装する手法
• 今回は以下の技術を組み合わせて実験を行う • コントラスト調整 • 平滑化処理
パターン1 パターン2 パターン3
・関係色抽出 ・領域分域
・Cannyエッジ ・SIFT特徴量
・Cannyエッジ ・Hough変換
システム構成図
標識検知 モジュール
画面出力モジュール
PC上
画像入力モジュール
セグメント分け
コントラスト調整
平滑化処理
無関係色除外
パターン1
システム構成図
Hough変換
コントラスト調整
平滑化処理
Cannyエッジ
SIFT特徴量
コントラスト調整
平滑化処理
Cannyエッジ
パターン2 パターン3
コントラスト調整(パターン1,2,3)
• 画像の濃度を調整する • 画像の濃度を高くすることで特徴を検知しやすくなる
平滑化処理(パターン1,2,3)
• 画像のノイズを消去する • ノイズによる特徴点の誤検知を防ぐ
無関係色除外(パターン1)
• 標識は他の背景と比べて特徴量の高い色を持っているため、色を閾値に分別する
領域分割(パターン1)
• 領域ごとに分割する • 領域の形などから標識を検知する
Cannyエッジ(パターン2,3)
• 画像の微分を行い特徴を検出する方法
SIFT特徴量マッチング(パターン2)
• 画像の特徴点をテンプレートと比較して近いポイントを探す手法
Hough変換(パターン3)
• 丸や直線などの特定の形を検知する手法
実験
• 各パターンにおいて、標識のある写真20枚を入力して検知率、誤検知数を計測する
セグメント分け
コントラスト調整
平滑化処理
無関係色除外
パターン1
Hough変換
コントラスト調整
平滑化処理
Cannyエッジ
SIFT特徴量
コントラスト調整
平滑化処理
Cannyエッジ
パターン2 パターン3
パターン1の結果の画像
パターン2の結果の画像
パターン3の結果の画像
評価
• 精度と特徴の比較の図
精度 誤検知数
特徴
パターン1 (関係色)
85% 3 基本的に良い精度で取得できている 暗いところに若干弱い
パターン2 (SIFT)
30%
8 他のアルゴリズムと併用しないと厳しい
パターン3 (Hough)
50% 14 他のアルゴリズムと併用しないと厳しい 誤検知が多い
今後の展開
• 来期以降(卒論) • 今学期学んだことをベースに画像処理のより応用分野に挑戦したい
まとめ
• 多くの標識検知アルゴリズムが存在する • 各アルゴリズムを実装して評価を行った
ご静聴ありがとう ございました
概要
• 各自動車ユーザに必要である標識だけを事前実験で得られたデータを使用して抽出する
Need!
Not need…
Not need…
Need!
問題点
• 運転補助において、検知するべき
目的
• ユーザに必要な標識だけを抽出する
標識検知システム
• 今回対象とする全ての標識を学習した分類器を作成する
• 作成した分類器を使用して与えられた画像から標識を検知する
事前実験
• 自動車の前方一箇所に固定したカメラを使い交差点など無作為に50箇所選び、写真を撮る
• 各画像の標識をユーザにとって必要かどうかを教師データとして与える
• 上記データに加えて「画面に対する大きさ」「中心からの座標」「向き」「色」をデータセットとして与える
データセット例
事前実験
• 入手したデータセットを標識の色ごとにわけて重回帰分析することによって判定式を求める
x : データセットの値(独立変数) a~d : 重回帰分析により取得した係数
判定式
データセット例
アプローチ
• 標識の検知 • 分類器を作成して検知する
• 必要性の判定式作成 • 標識の「画面に対する大きさ」「角度」「中心からの座標」「色」がそれぞれ、または複数で結果にどれだけ影響を与えるかを統計的に分析する
• 結果から判定式を作成する
評価実験
• 事前実験では使用していない50箇所をシステムを使って解析することで検知精度を測定する
• 評価項目は以下の4項目とする フォールスポジティブ (誤検知率)
フォールスネガティブ (検知失敗率)
標識検知 誤検知数 / 全標識数
1 – 標識検知数 / 全標識数
必要 標識検知
誤検知数 / 全必要標識数
1 – 必要標識検知数 / 全必要標識数
まとめ
• ユーザにとって必要な標識だけを抽出するシステムの提案
• 日本の標識を学習した分類器を使用して標識を取得する
• 事前実験で、教師データを用いて作成した判定式で必要性を判定する