カメラ映像からの 群衆の属性や興味の推定 奈良先端科学技術大学院大学 情報科学研究科 准教授 浮田 宗伯 1 広範囲多数対象追跡に対する カメラ群の連結関係情報の必要性 詳細観測 情報交換 有線ネットワーク どんな頻度で 対象が通る？ 興味推定など 無線ネットワーク 広域観測 セキュリティ 流量解析など 視野間を対象が移動する？ 2 従来技術とその問題点 カメラ映像における対象追跡は多数研究されて いるが， - カメラを跨いだ広域における追跡が難しい - 追跡だけでは，有用な情報が得られない 等の問題があり，広く実用化されるまでには至っ ていない． 3 本日の紹介内容 • 分散カメラにおける広域・多数対象追跡用 のカメラ間経路推定 – 広域分散カメラ間の追跡の高性能化 • 経路情報とグループ情報を利用した分散 カメラにおける対象追跡の高性能化 – 人群に関する新しい属性の取得 • 視野内における対象追跡の高性能化 – 視野内のオフライン追跡の高性能化 4 分散カメラにおける広域・多数対象追跡用の カメラ間経路推定 5 分散カメラ間の経路の定義 • 移動対象が各視野で最初・最後（IN/OUT）に検出された点 群の中で，隣接する２点の組 経路 経路 6 推定目標となる情報： 視野間の関係と経路の特徴 • 任意の２カメラを直接結ぶ経路 – 画像中のどこからどこが経路の始点・終点？ – どれくらいの確率で対象が通る？ – どれくらいの通過時間を要する？ C2R2 C2R1 C1R2 C1R1 C3R1 C2 C3 C1 Image 視野 経路 7 推定に利用する情報 • 経路は視野における対象のIN/OUT点で定義 – 始点/終点がIN/OUT点と対応 • IN→IN，IN→OUT，OUT→IN，OUT→OUT – 全IN/OUT点を仮に（同一対象として）対応付ける • IN・OUT点のみに基づく処理 – ロバストな処理 経路 IN・OUT OUT・IN 経路 8 対応付けの時空間投票による経路検出 • 空間的・時間的な均一性の統合評価 – すべての入出の場所・経過時間を投票する – 投票結果をクラスタリング（ピーク検出） Count カメラ１ ２６sec 投票のピークが経路に相当 （ピーク内の対応付けは正し い追跡結果に相当する） カメラ２ ７sec 空間的均一性 時間的均一性 統合評価 0 7 26 Time 9 実験環境 First floor C11 Door C12 C10 C5 Stairs C1 C2 Elevator C4 Stairs C3 10 実験環境 Second floor Stairs C7 C6 Elevator C9 C8 Stairs 11 実験結果 • 検出された入出点数（入力） – カメラ平均で10067（6792～13782） • 検出された経路数（出力） – 87本の双方向経路：誤対応経路なし 1 1 5 7 4 2 6 6 8 カメラ５ 5 1 5 3 4 カメラ２ 1 1 1 3 4 4 カメラ１ 12 経路情報とグループ情報を利用した 分散カメラにおける対象追跡の高性能化 13 研究目的と技術的課題 研究目的：監視カメラなどの分散カメラを使った広域人追跡 14 低解像度のカメラ間における人同定 カメラ間人同定の従来研究 個人のアピアランスに着目 個人のアピアランス アピアランスの特徴量 濃度勾配，色ヒストグラム，など カメラ間の移動時間 カメラ間の移動時間を使った人同定精度の向上 60s 10s 15 グループ特徴量を用いた 分散カメラ間の人同定手法 新たな情報としてグループ特徴量を追加 その人が属するグループから得られる情報（例：人数，色情報） 同じグループの2人 16 グループ内ペア検出に用いる時空間特徴量 グループの位置関係や軌跡の類似性、 同時観測性に着目した時空間特徴量 2人の位置関係や 軌跡の類似性に着目した特徴量 17 グループ特徴量から得られる カメラ間個人同定用のスコア グループ特徴量 グループ内人数特徴量 グループ内色特徴量 その人の属する グループ内全員の 色ヒストグラムを平均 類似度の 計算 18 実験環境 2カメラ間の移動にかかる時間:平均65sec Camera a ・フレーム数：99997 ・検出人数：925人 ・グループ内ペア：152対 Camera b ・フレーム数：92835 ・検出人数：573人 ・グループ内ペア：134対 19 カメラ間人同定におけるグループ特徴量の効果 100% 青：個人特徴のみ 緑：グループ内色特徴量併用 紫：グループ内人数特徴量併用 黄：2つのグループ特徴量併用 50 同定成功 個人特徴量は 色特徴量のみ 0 100% 200 (%) 400 600 800 グループ内 色特徴量による 精度向上 拡大 50 0 個人特徴量は 色特徴量と 移動時間特徴の併用 200 400 600 同定成功順位 800 グループ内 人数特徴量による 精度向上 20 視野内における対象追跡の高性能化 21 追跡手法の種類 on-line・・・particle tracking off-line・・・data association with a graph 1 ・・・ frame ・・・ N frame t-1 frame t frame t+1 frame particle tracking data association 数フレーム間の 限定された探索領域から追跡 全フレーム間の 全探索領域から追跡 22 従来法の問題点 従来法 従来のグラフの構造では 人領域間の類似度計算に 速度（進行方向）情報を導入できない すれ違い t-5 frame t frame 提案法 t+5 frame 23 グラフへの進行方向制約の導入 従来のグラフの構造では 人領域間の類似度計算に速度（進行方向）情報を導入できない frame1 解決法 frame2 各ノードが一つの速度や進行方向コストのみを 持つようにノードを分裂する 24 実験結果 改善例 従来法 87 提案法 87 46 55 87 21 t-10 frame 46 55 87 21 46 55 21 21 21 87 55 t frame 失敗！ 55 46 21 46 87 成功！ 46 55 t+10 frame 25 まとめ 26 実用化に向けた課題 • 実際のシーンでの運用． – ハードウェア化・インフラ化など – プライバシーの問題など • 実際のアプリケーションで必要となる対象属 性（グループに加え，興味推定など）の推定 27 企業への期待 • 広域（ビル内や道路）における人や車などの 群としての流量の解析に期待． • 実際のシーン（アプリケーション）における歩 行者・客層の詳細な属性推定（興味推定な ど）を実施するため，データ取得にも期待． • 大規模システムを目標にする場合，コンソー シアム化にも期待 28 本技術に関する知的財産権 • 発明の名称 ：広域分散カメラ間の連結関 係推定法および連結関係推定プログラム • 登録番号 • 出願人 大学 • 発明者 ：特許第4852765号 ：奈良先端科学技術大学院 ：浮田宗伯 29 お問い合わせ先 奈良先端科学技術大学院大学 産学連携コーディネーター 那脇 勝 ＴＥＬ 0743－72 － 5191 ＦＡＸ 0743－72 － 5194 e-mail nawaki＠ip.naist.jp 30
© Copyright 2024 ExpyDoc
