複数パスを考慮した Regression Forests によるカメラのヨー角の推定 若山 涼至,藤吉 弘亘 ( 中部大学 ) 本研究の目的 Regression Forests によるノイズの影響を受けない回帰推定 単眼モーションステレオにおける問題を回帰で解く 複数パスを考慮した Regression Forests Regression Forests Random Forests を回帰分析へ適用したもの 複数の回帰木を用いることで複雑な非線形回帰を表現可能 ノイズを参照すると分岐が反転し推定精度が低下 提案手法によるカメラのヨー角の推定 Y ˆ 1 2 3 4 7 6 5 3 5 6 ノイズ 8 9 10 11 12 2.2 4.3 1 t= 11 8 1 4.8 2 4 11 8.1 6.7 9 10 3 11.2 5.7 2 t= 3 t= 4 t= 1 Y ˆ 2 Y ˆ 3 Y ˆ 4 Y ˆ =( 2.2 + 4.8 + 8.1 + 11.2 ) / 4 = 6.575 Y ˆ =( 4.3 + 4.8 + 6.7 + 5.7 ) / 4 = 5.375 k y ˆ 2.2 4.8 8.1 11.2 実際のトラバーサル ノイズの影響を受けないトラバーサル 実際の推定結果: 本来の推定結果: ノイズによる誤差:1.2 末端ノード の出力 Y ˆ 1 2 3 4 7 6 5 3 5 6 ノイズ 8 9 10 11 12 2.2 4.3 1 t= 11 8 1 4.8 2 4 11 8.1 6.7 9 10 3 11.2 5.7 2 t= 3 t= 4 t= 1 Y ˆ 2 Y ˆ 3 Y ˆ 4 Y ˆ =( 3.25 + 4.8 + 7.4 + 7.4 ) / 4 = 5.712 Y ˆ =( 4.3 + 4.8 + 6.7 + 5.7 ) / 4 = 5.375 7.0 k y ˆ k n 2 1 2 1 1 1 2 1 2 1 4 1 + + + 3.25 4.8 7.4 7.4 実際のトラバーサル ノイズの影響を受けないトラバーサル 実際の推定結果: 本来の推定結果: ノイズによる誤差:0.34 末端ノード の出力 ノイズ参照回数 による重み 評価実験 ・OpenGL で生成したデータセット - 学習:125 フレーム,評価:250 フレーム ・誤差の割合による推定精度を比較 ・回帰木のパラメータ:本数 20,深さ 10,特徴選択回数 10 1m 30m 距離 (a) 従来の Regression Forests (b) 提案手法 今後の展開 他の問題設定において汎用性の評価 Regression Forests のトラバーサル時において ノイズの特徴次元を参照した場合は両方の子ノードへ分岐 ] 1 , [ ˆ 2 1 ˆ 1 k k K k n t f y Y k δ ⋅ ⋅ = ∑ = :各木の推定結果 :末端ノードの数 :末端ノードまでに参照した ノイズの特徴次元数 :末端ノードの出力 :末端ノードにたどり着いた場合 1をもつ ノイズを複数参照した場合は出力の信頼性を低くし 重みを小さくすることでノイズの影響を低減 末端ノードまでに参照したノイズの特徴次元数により 末端ノードの出力に重み付けをする 複数パスの導入 推定したヨー角からの距離推定画像 [deg] 従来法 0 . 031 0 . 0007 0 . 078 0 . 027 0 . 0004 0 . 068 ヨー角の推定精度 提案手法 平均誤差 誤差の分散 相対誤差 1. 異なるフレーム間の画像からオプティカルフローを算出 2. 得られるオプティカルフローを Regression Forests へ入力 3.Regression Forests によりヨー角を回帰推定 4. 推定したヨー角から距離画像を算出 ノイズの判定 カメラと地面の距離関係は常に一定 物体の無い状態の距離値をテンプレートとして 測定された距離値と異なる値を持つ領域をノイズとする 1 入力特徴ベクトル 2 3 1 2 3 ノイズの特徴次元 7.7 ノイズ有り 5.9 ノイズ無し ノイズで分岐 が反転 入力 出力 特徴ベクトル 入力 出力 特徴ベクトル 100 150 200 250 300 0 50 100 150 200 250 300 350 400 Y X train sample output tree1 tree2 tree3 tree4 tree5 ヨー角から距離推定 オプティカルフロー算出 推定した距離画像からノイズ判定 Regression Forestsへ入力 回帰によりヨー角を推定 連続する2フレームの画像を取得 0 0.02 0.04 0.06 0.08 0.1 0.12 0% 10% 20% 30% 40% 誤差 [deg] ノイズの割合 [%] 従来法 提案手法 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0 50 100 150 200 ヨー角の推定結果[deg] フレーム (a) 推定結果 (b) ノイズの割合毎の誤差の変化 真値 従来法 提案手法