Online Real Boostingによる物体追跡のための特徴選択

摘要

近年，物体検出や物体追跡において，AdaBoostやReal AdaBoostなどのブースティングが注目されており，オンライン学習へ応用されている．AdaBoostによるOnline Boostingは追跡対象に適した弱識別器を繰り返し処理により選択する．そのため，オンライン学習の処理コストが大きく，現時刻のサンプルへの過学習が生じやすい．一方，Real AdaBoostによるOnline Real Boostingは弱識別器をグループ分割し，各グループから最適な弱識別器を選択する．これにより，処理コストを削減することともに，過学習を抑制している．しかしながら，これまで，どのようにグループ分割を行い，特徴選択するのが良いか論じられていない．そこで，本稿では，複数の弱識別器のグループ分割方法を提案し，それによる追跡精度への影響について調査する．その結果，弱識別器を特徴の種類ごとにグループ分割した場合に，追跡精度が最も向上することが分かった．