形状と色類似特徴の共起による人物検出における空間的制限の導入

摘要

In this paper, we propose a method for human detection with a spatial limitation introduced to the co-occurrence algorithm of features learned by AdaBoost. AdaBoost gives large weights to incorrect identification samples and focuses on learning them. If samples are difficult to classify, AdaBoost gives excess weights to them, and over-training may become a problem. When calculating the co-occurrence of features, we limited the spatial arrangements of the features by some rules such as in the same image column, row or neighborhood. As a result, we could reduce the number of candidates of co-occurrence maintaining identification accuracy at the same level. Therefore, introducing the spatial limitation for human detection algorithm is efficient in learning cost.%本稿では，特徴量の共起アルゴリズムに空間的制限を導入した人物検出手法を提案する．学習手法のAdaBoostは，誤識別したサンプルに大きな重みを与えてそれらを重点的に学習するが，識別が難しい画像に対して過剰な重みを与えると退学習が問題となる．共起における過学習抑制は検討されていないため，共起による人物検出ア／レゴリズムに空間的制限を導入し，過学習の抑制を試みた．提案手法では形状特徴同士および形状特徴と色類似特徴の共起確率特徴算出の際，組み合わせる特徴量の空間的位置関係を，同一画像内において同じ孤高さおよび8近傍に限定した．この空間的制限の結果，識別性能を維持しつつ共起の探索次元数を削減できた．したがって，現段階では，人物検出アルゴリズムへの空間的制限の導入は，学習効率の点で有効であることが確認できた．