人データの性能比較
人体検出結果
第三世代特徴量の比較
特徴量 長所 短所 検出可能な対象
Joint Haar-like
・特徴量数が少なくてすむ
（離れた領域の関連性を 学習）
・大量の学習サンプル が必要(共起確率の精 度)
顔など
・形状変化がないもの
・服装などの多様性がないもの
Shaplet ・特徴量数が少なくてすむ
（対象に適した形状を学習、
勾配方向の関連性）
・大量の学習サンプル が必要(Shaplet特徴量 を算出するために）
顔・人体・車など ・形状変化が若干ある ・服などの多様性があるもの
Joint HOG
・特徴量数が少なくてすむ
（離れた領域と勾配方向 の関連性を学習、対称性・
連続性)
・大量の学習サンプル が必要(共起確率の精 度、勾配方向の選択)
顔・人体・車など ・形状変化が若干ある ・服などの多様性があるもの
第三世代の長所 事前知識なくZ>[78;\;8→19<<8;&Z;\;8へ 少ない弱識別器数で高い検出率
事前知識なしに、より効果的な特徴量（組合わせ）を学習可能
物体の検出器構造
o0;,09.! 型検出器
検出器 !
大量の弱識別器から構成 !
すべての探索に同一の処理 ! 計算コスト大 !
物体
物体
物体
非物体
非物体
非物体
弱識別器数少 ` 多 階層的な構造 ! 物体以外を早く棄却 !
計算コスト少 !
• スライディングウィンドウ
物体の探索方法
物体の探索方法
• スライディングウィンドウ
検出ウィンドウをずらしながら、
位置、大きさを変えて探索
すべての位置、大きさを探索
するのは計算コスト大
物体の探索方法
• o205;.K@2KQ61. 法
一定間隔ごとに荒く探索 !
物体らしい領域のみ詳細に探索
計算コストを削減することができる
o205;.K@2KQ61.! と o0;,09.
• 浅い階層は o205;. 探索、深い階層は Q61. 探索
さらに計算コストを削減することができる
物体
物体
物体
非物体
非物体
非物体
物体の探索方法
• 色情報を利用 !
– 顔の色から探索する範囲を限定 !
– 明らかに顔でない色は対象外（青、緑）
探索の対象外
探索時間の削減
!
誤検出の削減複数の回転への対応
物体
物体
物体
非物体
非物体
非物体
物体
物体
物体
非物体
非物体
非物体
向きと同様に複数の検出器を用意する
正面０度用 正面１５度用
複数の回転への対応
• 顔（人体）の対称性を利用して学習コスト削減
左右反転させることで、検出器を生成可能
回転への対応
左右反転
９０度回転 p９０度回転
上下反転
• ２つの検出器を回転／反転することで３６０度対応可能
複数の向きへの対応
•
顔：正面、斜め、横 !
•
人体：正面（背面）、横
物体
物体
物体
非物体
非物体
非物体
物体
物体
物体
非物体
非物体
非物体
複数の検出器を用意する
正面顔用 横顔用
複数の向きへの対応
• 顔（人体）の対称性を利用して学習コスト削減
左右反転させることで、検出器を 生成可能
複数の向きへの対応
• ３つの検出器から２４個の検出器を生成可能
左右反転
９０度回転 p９０度回転
上下反転
[.,@25!M22;N1F!
顔向き・回転を１つの検出器として学習
[.,@25!M22;N1F!
複数の顔向き・回転に ! 共通する特徴を選択
１つの顔向き・回転に特化した特徴を選択
[.,@25!M22;N1F!
特徴の形状は共通!
識別関数は向きごとに持っている
１つの特徴と識別関数
顔データベース
! MIT+CMU Frontal Face Image
!
http://vasc.ri.cmu.edu/idb/html/face/frontal_images/index.html
! CMU Profile Face Image
!
http://vasc.ri.cmu.edu/idb/html/face/profile_images/index.html
! MIT CBCL Face Data
!
http://cbcl.mit.edu/cbcl/software-datasets/FaceData.html
! Yale Face Database B
!