２層の測域センサと立体高次局所自己相関特徴による歩行者の状態識別（指導教員今井順一准教授）今井研究室 0731053 木内貴和 1. はじめに 3. CHLAC 特徴部分空間法はクラスごとにそのクラスを表現する低次元近年，人間の生活空間の中で社会の一員として自然に行の部分空間を用意し，未知パターンがどの部分空間で最も動できる自律移動ロボットの研究が進められている．このよく近似表現できるかを比較することで識別を行う手法でような自律移動ロボットには，周辺歩行者が歩いているのある．か静止しているのか，あるいは一般の歩行者なのか車椅子 SVM は，学習データの中で最も他クラスに近いもの（サなのか等，その状態を正しく識別できることが求められる．ポートベクトル）を基準とし，マージン最大化という観点そこで本研究では，自律移動ロボットへの応用を目的とから識別を行う手法である．本研究では多クラス識別に拡した基礎研究として，2 層に配置された測域センサ（LRF）張したものを利用する．により取得したデータから，立体高次局所自己相関 5. 実験（CHLAC）特徴を求め，それを利用して歩行者の状態識別部分空間法と SVM の 2 つの識別手法を用い，歩行者の状を実現することを目的とする．また，識別手法として部分態識別を行う実験を行った．空間法とサポートベクターマシン（SVM）の 2 つを取り上まず，歩行者が静止している状態，歩行している状態，げ，その性能について検討を行う．車椅子に見立てたキャスター付きの椅子に座ったまま移動している状態，の 3 状態について LRF で計測し，CHLAC 2. 識別処理の流れ特徴のデータセットを作成した．次に，3 状態それぞれの図 1 に 2 層の LRF を搭載したロボットの外観を示す．上データの一部を利用して，部分空間法及び SVM による学習層（高さ 120cm）の LRF は歩行者の胸（車椅子の場合は頭を行った．最後に，学習に用いたデータ及び学習には用い部）を，下層（高さ 30cm）の LRF は歩行者の足を検出すなかったテスト用のデータを利用して識別実験を行った．る．LRF で得たデータから識別を行う流れを図 2 に示す．それぞれの手法による状態ごとの識別率を表 1 に示す． LRF からのデータ取得表 1 から，CHLAC 特徴による歩行者の状態識別に対しては，上層部分空間法よりも SVM の方が優れた識別性能が得られることがわかった．しかし，SVM による識別においても 60％同じ層の LRF データの統合程度の識別率しか得られない状態もあり，この点の改善は今後の課題である． CHLAC 特徴の計算表 1. 識別結果（識別率[％]）下層クラス学習データテストデータ歩行者の状態識別静止 34.9 3.5 部分空間法歩行 99.5 38.2 図 1. LRF を搭載した図 2. 識別の流れ車椅子 85.5 26.1 ロボット CHLAC 特徴は動画像認識の手法の 1 つである[1]．取得データの差分画像の最新 3 フレーム分から成るボクセルデータ上を合計 251 個あるマスクを移動させ，マスクパターンが一致する度に積和計算することによって特徴値を算出する．本研究では，LRF によって取得した周囲の距離情報をマップにし，その差分画像から CHLAC 特徴を計算する（図 3）．歩行者 SVM 6. 静止歩行車椅子 99.1 91.4 86.6 92.7 57.6 80.5 おわりに本研究では，LRF の取得データから求めた CHLAC 特徴による歩行者の状態識別を実現した．また，2 つの識別手法の性能比較を行った．今後の課題として，識別精度向上のほか，提案手法を自律移動ロボットに実装し，移動しながらの識別を可能にすることが挙げられる．参考文献 [1] (a) マップ画像 1 (b) マップ画像 2 (c) (a)と(b)の差分画像図 3. 差分画像の例 4. 識別手法 3 節で求めた CHLAC 特徴の識別を行う．手法として，本研究では部分空間法[1]と SVM[2]を検討する． [2] 佐藤竜太, 亀田能成, 大田友一, “CHLAC 特徴量と部分空間法による複数行動の分類,” 画像の認識・理解シンポジウム 2009 論文集, pp. 1344-1349, 2009. C.J.C.Burges, “A tutorial on support vector machines for pattern recognition,” Data Mining and Knowledge Discovery 2, pp.121-167, 1998.