定量的評価

第 3 章背景モデルの適応的探索法 15

3.4 実験結果

3.4.1 定量的評価

3.4 実験結果

表 3.2: 前景検出精度．Precision (P), Recall (R), F-measure (F)．PTZ-SOBSとGBSの結果は文献 [19, 48]から引用した.

Ours1 Ours2 FixedWindow

S= 7, R= 20 S = 7, R = 20 S = 7, R= 20

P R F P R F P R F

people1 0.860 0.886 0.873 0.955 0.788 0.864 0.972 0.663 0.788 people2 0.872 0.909 0.890 0.932 0.865 0.897 0.951 0.686 0.797 cars1 0.750 0.938 0.833 0.794 0.857 0.824 0.796 0.626 0.701 cars4 0.824 0.757 0.789 0.849 0.668 0.748 0.826 0.341 0.483 cars6 0.801 0.838 0.819 0.812 0.566 0.667 0.734 0.064 0.118 girl 0.769 0.967 0.857 0.857 0.911 0.883 0.947 0.843 0.892 egtest01 0.454 0.598 0.516 0.456 0.555 0.501 0.460 0.463 0.461 continuousPan 0.416 0.889 0.567 0.483 0.765 0.592 0.534 0.556 0.545 backyard 0.699 0.826 0.757 0.858 0.731 0.789 0.887 0.489 0.630 Average 0.716 0.845 0.767 0.777 0.745 0.752 0.790 0.526 0.602

DM SGM PTZ-SOBS GBS

P R F P R F P R F

people1 0.813 0.283 0.420 0.958 0.923 0.940 0.950 0.930 0.940 people2 0.870 0.332 0.481 0.931 0.971 0.950 0.850 0.890 0.870 cars1 0.711 0.314 0.435 0.806 0.927 0.862 0.920 0.840 0.880 cars4 0.692 0.131 0.220 N.A. N.A. N.A. N.A. N.A. N.A.

cars6 0.798 0.105 0.185 0.866 0.964 0.913 N.A. N.A. N.A.

girl 0.745 0.398 0.519 N.A. N.A. N.A. N.A. N.A. N.A.

egtest01 0.494 0.198 0.282 N.A. N.A. N.A. N.A. N.A. N.A.

continuousPan 0.385 0.609 0.472 N.A. N.A. N.A. N.A. N.A. N.A.

backyard 0.659 0.799 0.722 0.984 0.660 0.788 N.A. N.A. N.A.

Average 0.753 0.285 0.415 - - -

-3.4 実験結果

0 2 4 6 8 10

S 0.0

0.2 0.4 0.6 0.8 1.0

Averaged F-measure

Ours1 R=20 Ours2 R=20 FixedWindow R=20

(a)Sと平均F-meausreの関係

0 20 40 60 80 100

R 0.0

0.2 0.4 0.6 0.8 1.0

Averaged F-measure

Ours1 S=7 Ours2 S=7 FixedWindow S=7

(b)Rと平均F-meausreの関係

図 3.6: パラメータS，Rの前景検出精度への影響．全シーン通しての平均F-measureを Ours1，Ours2，FixedWindowごとにプロットした．(a)はR = 20に固定した場合のS と前景検出精度の関係を示しており，(b)はS = 7に固定した場合のRと前景検出精度の関係を示している．

かった．また，図3.6に平均F-meausreをパラメータS，Rに関してプロットしたものを示す．

表3.2によると，提案手法であるOurs1 とOurs2 はFixedWindowとDM SGMよりも高い前景検出性能を示したことが確認できる．また，図3.6(a)から，Ours1 とOurs2 は実験設定の範囲内でどのSの値を選択してもFixWindowよりも平均的に性能がよいことがわかる．FixedWindowでは固定サイズの探索範囲を利用し，DM SGMでは固定サイズの矩形領域内に背景モデルを構築していることと，これらの結果は，背景モデルの適応的探索が前景検出性能の向上に貢献していることを示している．再投影誤差に基づく背景モデルの探索範囲の設定に関して，3.4.2節で分析する．

Ours1 とOurs2 を比較すると，Ours1 の平均RecallはOurs2 よりも0.1ポイント高い値を示しており，再投影誤差に基づく前景検出閾値の設定は前景の検出漏れを低減可能で

あることが確認できる．特にシーンcar6において，再投影誤差に基づく前景検出閾値の決定による性能向上が確認できる．また，図3.6(b)によると，Ours1 はOurs2 に比べて Rの増加に伴うF-measureの減少が緩やかである．Ours1 は背景モデルの探索範囲と前景検出閾値のどちらも再投影誤差に基づいて制御されるため，実験で用いた全シーンに対して頑健であるといえる．一方で，Ours2 の平均PrecisionはOurs1 よりも0.061ポイント高い値を示しており，Ours1 はOurs2 に比べて，前景の誤検出が多く生じたことを意味する．再投影誤差に基づく前景検出閾値の設定に関する利点と欠点は，3.4.3節で論ずる．

前述したように，提案手法は平均的にFixedWindowよりも高い性能を示したが，シーンgirlでは，FixedWindowがOurs1 とOurs2 よりもわずかに高いF-measureを示している．シーンgirlでは背景の動きを表現したホモグラフィの推定に失敗した画像が含まれており，その画像では再投影誤差を正しく計算できず，背景モデルの探索範囲と前景検出閾値を適応的に変更する枠組みがうまく機能しなかったものと考えられる．このように，ホモグラフィの推定が大きく破たんしたとき，提案手法は適切な背景モデルを選択できないことがわかる．シーンegtest01やシーンcontinuousPanではいずれの手法においても他のシーンと比較して低いF-measureを示している．これは，影領域を移動物体として検出していることが主な要因だと考えられるため，前景検出手順に影除去を加えることで前景検出精度の向上が期待できる．

また，今回の実験シーンではDM SGMは他の手法に比べて低いRecallを示した．DM SGMは矩形領域ごとに単峰のガウス分布を背景モデルとして構築する際に，画像全体を同じ大きさの矩形領域で分割するため，単峰のガウス分布では表現が難しい領域分割となり，実験シーンでは，適切に背景モデルを構築できなかったと考えられる．

提案手法はPTZ-SOBSと同程度の性能を示している．しかし，提案手法は１つのパラメータセットごとに全シーンの評価を行っているのに対して，PTZ-SOBSのパラメータは各シーンで調整されている^VI．再投影誤差に基づく前景検出閾値の設定をPTZ-SOBSに

VI各シーンでベストパラメータは異なる[19]．

3.4 実験結果導入することは容易であり，各シーンのパラメータ調整が不要になることが期待される．

提案手法はGBSとも同程度の性能を示している．GBSでは各画素で独立した前景検出を行っておらず，信念伝播法[50]による画像全体での最適化に基づいて前景検出を行う．

したがって，GBSのように全体最適化の枠組みを提案手法に取り入れることで性能向上が可能であると考えられる．

Input GT Ours1 Ours2 FixedWindow DM SGM PTZ (a) people1

Input GT Ours1 Ours2 FixedWindow DM SGM PTZ (b) people2

Input GT Ours1 Ours2 FixedWindow DM SGM PTZ (c) cars1

図 3.7: 検出結果画像1．白画素は前景，黒画素は背景を意味する．また，灰色の画素は画像間の画素対応が取れなかったことを意味し性能評価の計算から除外されている．

3.4 実験結果

Input GT Ours1 Ours2 FixedWindow DM SGM PTZ (a) cars4

Input GT Ours1 Ours2 FixedWindow DM SGM PTZ (b) cars6