輪講西村孝年月日はじめに近年，物体認識や，特徴点追跡，マッチングにおいて，が良く用いられている．は，画像の回転やスケール変化等に不変であるため，それら要素に適している．しかし，処理コストが高いことが問題となっており，を用いるアプリケーションではリアルタイム処理が難しい課題となっている．今回調査するは，メモリー使用量削減と高速化を同時に行っており，携帯電話で実装が可能となっている．携帯電話上のリアルタイムの特徴トラッキングを行うためつの技術を用いる．それは，とである．は画像変化に強いが，計算コストが高い，は，分類は速いが，大量のメモリを必要とする．この両方のアプローチは携帯電話に適さない．そのため携帯電話上に実装するための手法を示す．対応点マッチングスケールに不変なトラッキング記述子は，回転やスケール変化に不変ではないため，検出時に回転やスケールのパラメータを求めている．は，異なるスケールでガウスのフィルタを適応し，の差を計算している．これは，! オペレーターの近似である．" は，スケールスペース極値を探索することにより決定する．# $ 探索とガウシアンフィルタは，計算コストが非常に高い．回転の不変性は，のまわりの勾配オリエンテーションおよび強度を計算しオリエンテーションのヒストグラムを作成して，ヒストグラム中のピークを探索することで得られる． !%& ' ( )*+ **, 図 - 領域分割特徴量は，オリエンテーション算出と同じように再び勾配に基づく．領域をサブ領域に分割 .図を参照/ し，重みは，パッチ .図の中の大規模な円によって示された/ の中心からの距離によって勾配に加えられる．特徴量の長さは，サブ領域 .通常 )$) あるいは 0$0/ の上でオリエンテーション .通常 0 あるいは 1/ の量子化に依存する．は 1 つのオリエンテーションおよび 0$0 サブ領域を使用している．それは精度が一番良いためである．対応点マッチングを携帯電話で実現下記では，携帯電話にふさわしくしたとのアプローチについて示す．図 - 処理手順 !%& ' ( )*+ **, ) の修正下記では，携帯電話上のリアルタイム実行を実現するために，アルゴリズムを修正したかを示す．モデル画像は，予め特徴量を求めておく必要がある．特徴点アルゴリズムは，特徴点を検知するだけでなくスケールを評価する．スケールスペース探索を行なうためにの違い . / を使用している．しかし，携帯電話上のリアルタイム実行に向かないため，を，% 2 に置き換える．このままでは，スケール変化の不変性がなくなるため，すべてのスケールから特徴量を算出し記録している．従って，速度とメモリを交換し， 34 に負荷を与えるスケールスペース探索を回避することができる．調節することができる % 2 のしきい値を変えることによって，の数を変える事ができる．つのモデル当たり 5* 個程度の特徴が精度と処理速度の間のよいバランスであると判明している．図 )- コーナ検出 % 2 は，しきい値と候補ピクセルの強度より明るい円上の接触するピクセルが存在するならコーナ点として検出する .図 )/．円の大きさは定義されている．高速化のため図 ) 中の，5，, および ).0 つの方位/ で 0 つのピクセルだけを検査する．がそのとき角である場合，少なくともこれらの ) つはすべて 6 より明るいか，あるいはより暗く，どちらでもない場合，はコーナ点ではない．以上のように，候補ピクセルと円上の 0 つのピクセルの 5 ピクセルを検査することでコーナ点を検出している．トラッキング特徴点は，次フレームにすべてのアウトライアテストに合格した特徴点を用いるので，追跡精度は改善される．良い特徴点は，すべてのテストに合格して，前のフレームで最終的に姿勢評価に貢献する．悪い特徴点は，マッチングすることができなかったか，アウトライアとして検出されなかった特徴点である．この情報を次フレームに送ることで，不要な特徴点を削除することで処理コストを削減できる．特徴点を追跡するために， )$) のガウスを使用して平滑化した 1$1 ピクセルのサイズのパッチを抽出する．平滑化することで，特徴をアフィン変換および !%& ' ( )*+ **, 0 少々の位置ズレが生じた特徴座標に対してもより頑健にする．パッチの類似度は % により評価される．計算速度を削減するために，追跡は半径 5 ピクセルの範囲である．記述子記述子は 1 次元（0$0 領域から 1 つの勾配方向）である．計算コストとメモリの削減のため，)$) 領域から 0 つの勾配方向 .)7 次元/ を使用する．キーポイント検出でスケールを図 0- の特徴抽出探索していないため，特徴量を記述する範囲は常に 5 ピクセル .5 ピクセルごとの ) つの領域 .図 // である．)$) のガウスにより平滑化を行う .図 0 を参照/．オリエンテーションは，通常のと同様に，最初にパッチの勾配からオリエンテーションを評価する．作成されるヒストグラムからピークを探索し， ) つを超えるピークが見つかる場合，特徴点は削除する．算出されたオリエンテーションの方向にサブピクセル精度を使用して回転する．回転したパッチから特徴量を記述する．マッチング新しいイメージ .前フレームから追跡されているのを除いて/ に検知されたすべての特徴点を記述して記憶しておく．各フレームで 5*〜** 程度の特徴点が算出され，記憶された 5*** 程度の特徴点と比較する必要がある．特徴が )7 次元であるため， 1** 万個の特徴量を比較することになる．それはメモリと計算上の制約によりリアルタイムが困難となる．そこで，マッチン !%& ' ( )*+ **, 5 グにを利用する．モデル画像から作成した )7 次元の空間に特徴点を入力し，近いクラスの特徴点のみを比較することで，探索範囲を削減している．アウトライアアウトライア判定にはオリエンテーションを使用する．追跡点は，同様なオリエンテーションを持つことが多いためオリエンテーションが大きく異なる追跡点をアウトライアとする．このステップは非常に高速である．ターゲットデータ取得このアプローチは，モデルベースのアプローチを使用して，あらかじめ準備する特徴データベースを必要とする．データ取得は，画像ピラミッドを作成する必要がある．画像ピラミッドは縮小によって前の大きさから倍で作成される．最も大きいスケールから最も小さいスケールまでの範囲は定義される．画像ピラミッドが作成された後，すべてのスケールで特徴点を検出する．最も安定した特徴点に制限するために，つの連続したスケールで検出される特徴点を利用する．一方，) つ以上のオリエンテーションがある特徴点は削除される．そして，すべての特徴座標と特徴量を保存する．の修正追跡するための特徴分類は，モデルイメージ中のポイントをモデル化するのに対応するセットのクラス 3 のある特徴の分配の学習によりモデル化して計算される．そして，ポイントは，特徴値を確率を最大にすることによって分類する． 8 $ . / ./ 図 5 に示すように決定木が構築される．図 5- の決定木ポイントのイメージ強度 ./ を比較するために，ペアの . / によってパラメータ化された関数 ./． ./ 8 * . 6 / . 6 / ./ !%& ' ( )*+ **, 一連の 7 がクラスを観察する確率はベイズの定理を用いて計算することができる． . / 8 . / . / . /． .)/ 分母はスケーリング定数のみである．また，先の . / は一定であると仮定される．確率 . / は，同じモデルポイントおよび対応するクラス 3 の様々な例のためのの発生を数えることにより，トレーニング過程の中で学習される．学習画像は，スケール，回転およびアフィン変換図 7- 学習， . /.図 7 を参照/ の経験的の変化により作成される．½ を計算する異なる結果，¾ ，な分配について記述するサイズのヒストグラムの中で数えられる．実用的な数のに関しては，表すことができないくらい大きい．代わりに，それは完全な分配が格納されると呼ばれる特徴の部分集合によって近似されている．固定サイズにおいて， 8 は作成される．次に . / が近似されている確率 . / 8 . /． .0/ 実際上，確率の値を記録し，最後の方程式の確率の結果は合計と取り替えらる．学習された図 9- 木の表現つのキーポイントから図 9 に示すように探索木が構築される．木の段数は ) 段で木の葉の葉の !%& ' ( )*+ **, 9 図 1- マッチング位置データはバイトで頻度の値もバイトのデータ *〜55 となる．図 9 に示すように，注目する点の位置を変更した複数の探索木を構築し複数の葉を算出する．マッチングには，図 1 に示すように，未知な入力データを全ての探索木に通して出力値を算出する．学習で得たキーポイント（例）%〜3）の葉の値から，未知の入力で得た出力値のビット列の値を取り出し，全ての葉の値を掛け合わせる．こうすることで，% をとる形になり，葉の値の一番小さな値を取り出すことができる．全てのキーポイントで同様に行い，未知のデータのビット列から一番確立の大きな（ヒストグラムの大きい）キーポイントを抽出する．階層が深くなるとノードの数も増加する．ノードの数とメモリーの関係を図 , に示す．7 ノードは図 ,- 階層の深さとメモリーの増加バイトのデータとして取り扱え 9 ノード〜ノードはバイトのデータとなる． 7 ノードがメモリー使用の効率がよいため 7 ノードを採用している． !%& ' ( )*+ **, 1 評価実験実験に用いる入力画像を図 * に示す．下記に実験に用いる装置を示す．図 *- 実験データ（ : + 2: + : + 2 + + + ;） < = 3 = %? 70 < ,5 < ?, < .'2< >/ 70= > >%9*.'2< / ))*= @% 0* . / ))*= @% 0*.'2< / モトローラ ?,.'2< ，ノキア ,5 の両方 . / は同じ 34 であるため，同様のベンチマークの結果であると言える;．コードは整数か固定小数点を用いるようにしているが，さらに .固定小数点式のコードをすべて浮動小数点式の変形に取り替えて/ ハードウェア浮動小数点で ,5.@% 0* 34 かはハードウェア浮動小数点ユニットをを持つ/ をベンチ 34 をマークのテストをする．%? 70 .'2< / は，70= を搭載した > 用いる．これは他の電話より処理能力が上であるといえる．参考のために， = の 3 を搭載したノート上でテストする．コードが電話用に最適化されているため，34 はコアのみ使用する．図，図は，携帯電話上での処理速度を示す．3 での実験では約 5〜* 倍高速化した．携帯電話での平均処理速度は， 5 である．図 - = による 3 の全 9 つのデータセットの実験結果 !%& ' ( )*+ **, , 図 - 処理時間の比較おわりにの論文を調査した．参考文献 :2 ;!< + A : B: C+ ;( 3 D +D;7*+ ;+ ;,B*+ **0． ' + A %FG*1+ **1 C+ ; EEE ) D; ! 2 ; + A" F F 2 2 C+ EEE B % 2 + D;1+ ;,+ ;075B09,+ **7;