42
43 3.2 提案手法による歩行者認識手法の流れ
本節では，提案手法による夜間歩行者認識の概要を述べる．
① 画像変換をする為に昼夜のシミュレーション画像を作成する．
(夜間画像を変換する為の正解画像はシミュレーションを使用することで容易に作成す ることができる．)
② シミュレーション画像を画像変換ネットワークに入力し，画像変換モデルを学習する
③ 画像変換モデルと既存の物体認識手法を繋げて歩行者認識を行う．
図 3.2 : 提案手法の全体処理の概要
シミュレーション用PC
①シミュレーション画像の作成
昼間画像 夜間画像
演算用ハイエンドPC
②学習
画像変換モデル 既存の歩行者認識 モデル
③モデル取得
この2つのモデルを用いて夜間歩行者認識を実現する
44 3.3 本研究の目的
3.1節，3.2節で一般的な歩行者認識手法と提案手法の全体の処理の流れを述べた．こ れに基づいて一般的な歩行者認識手法と提案手法を比較した結果を表に記す．提案手法 と一般的な歩行者認識手法を比較すると，一般的な歩行者認識手法では，夜間の歩行者 データの取得及びアノテーション作業が必要になる為，膨大なコストが必要になる．
アノテーションコストは数万枚の画像だと，数十時間かかり，作成するのは現実的では ない．
一方，提案手法のアプローチでは，歩行者認識には既存の学習データとアノテーショ ンデータを使用する為，そのコストはほぼ無しとなる．しかし，夜間の画像を昼間の画 像に近づける為のニューラルネットワーク用に学習データが必要になる．本研究では，
このコストを抑える為に画像変換に使用する画像をシミュレーション画像で準備し，対 応する昼間画像もシミュレーションで作成する為，作業コストを小さくなるようにした．
図に本研究で検討するニューラルネットワークの位置付けを記す．図上段に学習時の処 理フローを記し，図下段に学習したモデルを使用して推論する処理フローを記す．図 3.3の通り，本研究で収集する学習データは画像変換に用いる昼夜の画像であり，それ らにより学習した学習モデルを保存，推論時に読み込んでテスト画像の変換を行う．変 換された画像に対し，広く公開されている歩行者画像(アノテーションデータ含む)を使 用して学習した物体認識アルゴリズムを適用して夜間歩行者認識を行う．
5章，6章では，夜間画像から昼間画像に変換するニューラルネットワークについて 述べる．
表 3.1 : 一般的な歩行者認識手法と提案手法の作業コストの比較
一般的な歩行者認識手法 提案手法 画像変換用学習データの種類 - シミュレーション画像 画像変換用学習データ
収集コスト
- 小
(シミュレーションで作成) 画像変換用アノテーション
作成コスト
- 小
(シミュレーション画像 使用の為) 物体認識用学習データ
収集コスト
数十時間
(カメラ設置，車両準備等)
-
(既存の学習データ使用) 物体認識用アノテーション
作成コスト
数十時間
(数万枚の画像に対し行う為)
-
(既存の学習データ使用)
45
図 3.3 : 本研究における提案手法の大枠
ニューラルネットワーク 夜間画像
昼間画像
変換画像
既存の昼間学習モデル
出力画像 入力画像
夜間画像 入力画像
変換画像 認識結果
出力画像 学習時
推論時
ニューラル ネットワーク
物体認識 アルゴリズム
学習モデル
46