形状特徴による画像中の人物検出における特徴量の正規化手法の検討

摘要

In this paper, we compare the efficiency of normalization process for HOG features. HOG feature is one of shape-based features developed for human detection in images by machine learning. For human detection by machine learning, HOG feature shows high detection rate, and is used very often compared to other features. HOG feature divides an image into domains called cells, and represents the rough shape of objects by computing luminous gradient directions and their intensities in the cells. Each normalization processing is performed in a local region called a block composed of a number of cells. Owing to the normalization, HOG features become robust against geometry changes and local illumination changes. However, by performing normalization processing, calculation of features consumes huge processing time. In this study, we compared the detection rate of HOG feature by changing the size and form of blocks for normalization. The performance of human detection was improved compared to an ordinary normalization process.%本稿では，機械学習による画像中の人物検出技術に用いる形状特徴の中の一つであるHOG特徴量の正規化手法の検討を行う.機械学習による人物検出技術において，HOG特徴量は他の特徴量に比べ人物の正答率が高く，現在最も多く利用されている特徴量である.HOG特徴量は，画像をセルと呼ばれる領域に分割し，セル中の輝度勾配および勾配強度を算出することで物体の形状を大まかに表現する.算出されたセル中の勾配強度を,複数のセルで構成されるブロックと呼ばれる局所領域で正規化処理を行うことにより，照明変化や局所的な幾何学変化に頑健な特徴量となる.しかし，ブロックによる正規化処理が行われることにより，特徴量の次元数は増加し,計算コストが増加することで特徴量の算出に非常に時間が掛かる.本研究では，ブロックの大きさ•形状の変化や特定の方向のみを用いた場合の正規化処理により算出される特徴量の正答率,汎化性能，次元数，特徴量算出時間を従来の正規化処理と比較した.その中で，一部の正規化処理手法が従来のHOG特徴量より人物の検出性能が向上することを確認した.