カラー特徴によるアニメ・実写カテゴライズ

第5章 光相関システムの応用Ⅰ：

類似画像検索システム

(b) インターネットからの入力データ

(2) 前処理

(d) 光相関演算結果取得

検索キーワード入力 (1) クローリング (1) 入力

データ取得 ^{テレビ放送 DVD}

(2) 前処理 (a) データーベース登録

動画データのダウンロード

特徴量抽出

静止画化・カテゴライズ アニメ・実写分類

Animation Live

(c) 光相関演算

ホログラムへ入力 ホログラム光ディスク

静止画化・カテゴライズ 特徴量抽出

(3) データベース登録

光強度取得 データフォーマット変換

図5.19:光・デジタルハイブリット著作権管理システムのフローチャート．

5.5光相関に基づく著作権管理システム

2. ピーク検出過程：各画像のR,G,Bの3つのカラーヒストグラムを算出し，それ ぞれのヒストグラムから5つずつピーク点を検出する．

3. 特徴量取得過程：5つのピークに対して最小二乗法を用いて近似した後，その ピークの幅を算出し，特徴量を算出する．

4. 識別過程：決定した算出したFQが閾値以下である場合にはアニメ，閾値以上で あれば実写と判定しそれぞれのデータベースと相関演算を行う画像であると識 別する．

本研究の特徴量取得過程においては，1枚の画像に対して15個(5つ× RGB3色)の ピーク幅が得られたのちに，15個のピーク幅の中で最も小さいピーク幅をその画像の 色特徴量(FQ)として定義した．ここで，それぞれのピークの最大値を_ρとしたとき，

cの値の時のピーク幅をFQとした（0<c<1）(図5.21)．本研究でのFQを定義するに あたり，アニメ画像と実写画像のクラス分離度によって図5.21に示すようなFQ取得 位置の評価を行いcの値を決定した．識別過程においては，例外として，RGBどのヒ ストグラムからも5つのピークが取得できなかった場合は，アニメ・実写両方のデー タベースと相関演算を行う対象であると識別する．

第5章 光相関システムの応用Ⅰ：

類似画像検索システム

RGB

(R) (G) (B)

NPR 5 NPR

NPG 5 NPG

NPB 5 NPB

NPR<5, NPG<5 and NPB<5 NPG<

YES

NO

YES YES

YES YES

NO

NO NO

(1)

(2)

(3)

(4)

図5.20: 1枚の画像のカラー特徴量算出のフロー.(1)画像入力過程(2)ピーク検出過程

(3)特徴量算出過程(4)識別過程.

c

図5.21:画像カラーヒストグラムにおけるピーク特徴.

ここで前述のseparation metrics(SM)を用いることで特徴量を定義した．2クラス

86

5.5光相関に基づく著作権管理システム

のSMの大きさはアニメ画像と実写画像の識別しやすさを意味する．したがって，こ のSMを最大化するような特徴量を選択することによって，誤認識のもっとも少ない 値幅を特徴量として選択することができる．ここではクラス内分散とクラス間分散を 用いてSMを求めた．本研究では，アニメ3種から計1500枚，実写ドラマ3種から 計1500枚の画像をDVDの動画データから切り出し，アニメ画像群と実写画像群を用 意した．図5.22にピーク幅取得位置cとSMとアニメ画像FRRの関係を示す．

13 13.1 13.2 13.3 13.4 13.5 13.6 13.7 13.8 13.9 14

0 5 10 15 20 25 30 35

0 20/100 40/100 60/100 80/100 1

エラー率（誤拒否率）(%)

分離度 (SM)(a. u.)

ピーク幅検出位置 c

分離度(SM) エラー率

図5.22:特徴量算出位置とSMとアニメ画像FRR．

この結果より，特徴量抽出位置は低いほどSMが高い値となる傾向がみられ，SM は高ければ高いほど分類には良いため，SMのみで特徴量抽出位置を決めるならば，

1/10値幅が最適であった．また，アニメ画像FRRは低ければ低いほどアニメ実写分 離には良く，アニメ実写分類のみで特徴量抽出位置を決めるならば，1/2値幅が最適 である結果となった．アニメFRRの特徴量取得位置による変化量は0.3 %程度である が，1000枚のデータ中の3枚であり，この手法は大量のデータの分類に用いるので

0.3 %でもエラーは小さい程良い．以上の結果より，最も低いアニメ画像FRRが得ら

れた1/2値幅をアニメ実写分類のための画像のFQ取得位置と定義した．図5.22によ り最適化した1/2値幅より算出するFQを利用し作成した色特徴量分布ヒストグラム

第5章 光相関システムの応用Ⅰ：

類似画像検索システム

0 50 100 150 200 250 300 350

0 1 2 3 4 5 6 7

画像数

特徴量 (a. u.)

アニメ 実写 閾値

図5.23:アニメ・実写画像分類結果．

FQ=1.72を閾値とすると，FRR 13.3 %で分類ができた．特徴量をアニメと実写で比

較するとアニメのFQの分布は実写画像よりも小さい傾向がある．画像検索において は，FQ<=1.72の画像をアニメ画像検索時の入力データとし，FQ>1.72の画像を実写 画像検索時の入力データとした．この分類においては，それらが等しい誤り率(Equal

Error Rate: EER)になるように閾値を決定した．ここでEERを閾値として選んだの

は，FRRとFARのトレードオフを考慮したためであるが，適用先や所望の精度によっ

ては，FRR=0 %やFAR=0 %の位置に閾値を設定することも考えられる．また，表5.3に

示す通り，動画検索の際には1つの動画から4枚の画像を抽出して閾値以下の特徴量を 持つ画像が4枚中2枚以上の時をアニメ動画と判定することによって，このシンプル な手法でもアニメ動画のFRR=0.847 %，実写動画のTrue Rejection Rate(TRR)= 91.2

%での分類が可能な結果となった．

表5.3: 分類法を用いた動画識別の結果．

1画像利用時 4画像利用時 アニメ動画のFRR 13.3 % 0.847 % 実写動画のTRR 86.7 % 91.2 %

88