8Kスーパーハイビジョン放送を支えるメディア伝送技術 -8K時代の伝送と信号処理-：6．8K/MMT時代のプライバシー保護技術 -ブラー不変マップと定点観測カメラシステムへの応用-
4
0
0
全文
(2) 6. 8K/MMT 時代のプライバシー保護技術─ブラー不変マップと定点観測カメラシステムへの応用─. ≠ （a）モーションブラー画像から 生成されたブラー不変マップ. ＝. （b）原画像から生成された ブラー不変マップ. 図 -3 ブラー不変マップを用いたマッチング. 図 -2 ブラー不変マップ. なブラーに対応可能なブラー画像マッチングの研 究に取り組んでおり，ブラー不変マップと呼ぶ技 術を開発している．. 5.184 [bit/pixel]. 4.938 [bit/pixel]. 4.931 [bit/pixel]. 図 -4 画像エントロピーの比較. ブラー不変マップとは，図 -2 に示すように原画 像とブラー画像から理論上同一の中間データを作り. 出すると，ブラー不変マップとブラー画像のエン. 出す技術であり，この中間データをブラー不変マッ. トロピー値はほぼ等しくなる（図 -4）．すなわち，. プと呼んでいる．. ブラー画像は原画像と比較してブラーにより情報 が一部失われるが，ブラー画像をブラー不変マッ. aaブラー不変マップの性質. プに変換する際には情報はほとんど失われていな. 前節で述べたブラー不変マップは，原画像，ブ. いことが分かる．. ラー画像からほぼ同一のマップを作り出す技術で あ る た め， こ の 2 枚 の マ ッ プ は 既 存 の 画 像 マ ッ チ ン グ 手 法（ た と え ば 最 も 広 く 使 用 さ れ て い る SIFT（Scale Invariant Feature Transform）. 1）. など）を用いることにより高精度にマッチングす ることが可能である．図 -1 の原画像・ブラー画像 からそれぞれ生成されたブラー不変マップ同士を. ブラー不変マップの応用～群集分 析技術を例として～ aa群集分析技術の分類とその問題点. 商店街，駅前，イベント開催地などに定点観測カ. SIFT を用いてマッチングした結果を図 -3 に示す．. メラを設置し，歩行者・来訪者の数やその移動経路，. 図 -3 では，449 点の局所特徴量のうち 449 個すべ. さらには年齢，性別，行動パターンなどの属性を取. てが正しくマッチしていることが分かる（マッチ. 得し分析する技術は一般に群集分析と呼ばれ，その. した局所特徴点同士が線で結ばれている）．. 中で，歩行者・来訪者の数を計測することのみに特. ところで，図 -2 に示すブラー不変マップは一見. 化した技術は歩行者計数技術と呼ばれている．. すると輝度勾配の少ない平坦な画像に見えるため，. 群集分析全体はまだまだ発展途上であるものの，. 図 -1 の 2 枚の画像それぞれと比較して情報量が大. 近年，歩行者計数に関してはある程度の精度が実現. きく失われているように見えるかもしれない．し. できるようになってきた．歩行者計数技術は通常. かし，実際にそれぞれの画像のエントロピーを算. dense 型. 2）. と sparse 型. 3），4）. に大別される．dense. 情報処理 Vol.58 No.2 Feb. 2017. 121.
(3) 小特集. 8K スーパーハイビジョン放送を支えるメディア伝送技術 ─ 8K 時代の伝送と信号処理─. 型は，数千人から数万人以上が集まる大規模イベン. が，この手法を高度な群集分析（属性分析など）へ. トにおいて，来場者数推定や来場者間のトラブルな. と展開させることは難しい．. どを事前に回避する目的に使われる．この場合，カ メラは全体を俯瞰するために群集から離れた場所に. aaブラー不変マップの適用. 設置され，カメラに数百人∼数千人が米粒のよう. 前節で述べた背景のもと，歩行者計数あるいは. に映る映像が解析対象となる．一方，sparse 型は，. その先の高度な群集分析とプライバシー保護を両. 商店街や駅前などにカメラを設置して人流を計測す. 立させるための手法として，筆者らは現在ブラー. ることにより，エリアの機能や安全性の向上を図っ. 不変マップの適用について検討を進めている．. たり，マーケティング情報を取得することを目的と. この手法では，カメラに何らかの画像劣化要因. する．この場合，カメラは dense 型のときと比較. を持たせ（特殊レンズフィルタを装着する，焦点. して歩行者・来訪者に近い場所に置かれ，カメラに. をずらす，微振動させる，など），はじめから劣化. 数人から十数人程度が映る映像が解析対象となる．. 映像のみを取得することとする．これにより，鮮 明映像を一度も格納することがなくなり，仮に映. aaプライバシーを考慮した歩行者計数 システム. 像流出が生じてもプライバシーは保護される．続. 歩行者計数において近年問題が表層化している. 生成する．そして最後に，ブラー不変マップから. のが sparse 型のプライバシー保護である．sparse. 抽出されたパッチ（画像の小ブロック）ごとに機. 型の場合，誰がどこで何をしているのかがはっき. 械学習によって生成された識別器を用いて人物の. りと記録されてしまうためである．元来，誰が撮. 有 無 を 判 定 す る． 機 械 学 習 に は， 歩 行 者 計 数 に. 影しているのか分からないカメラに自分が収まる. て最も広く使われている SVM（Support Vector. ことは気持ちのよいものではないが，個人情報保. Machine） を 使 う こ と も で き る が， 現 在 大 き な. 護への意識が定着した今日，ますますこの傾向は. 注目を集めている CNN（Convolutional Neural. 強まっている．仮にカメラ設置者がプライバシー. Network）などの手法を用いることも可能である．. に敏感な人物であったとしても，IoT（Internet of. 本手法の最大の特徴は，鮮明画像を学習時に使っ. Things）機器のセキュリティーが万全でない現状. ていれば，入力データが劣化画像であっても高精度. において，事故等によって撮影された映像が世に. な判定を行うことができる点である．. 流されてしまう可能性も否定できない．. 図 -5 を用いてこの理由を説明する．図 -5 におい. このような問題に対し，これまでいくつかの解. て， （A）は鮮明画像であるため高精度に人物の有無. 決方策が検討されている．映像中の顔領域を認識. が判定でき， （B）は劣化画像であるためある程度の. してその領域にスクランブルをかける手法. ，撮. 誤差を含んでしまうものと仮定する．このとき， （C）. 影映像から可逆の映像ペア（パブリック映像とプ. は前述の通り（B）と同程度の画像エントロピーを. ライベート映像）を生成し，パブリック映像のみ. 有することから， （B）と同程度の誤差を含む，と予. を配信する手法. 4）. などである．しかし，これらの. 想される．しかしながら，学習時には（A）と（C）. 手法はカメラで撮影された鮮明な映像をいったん. の対応関係を知ることができるため，その対応関係. 格納した後に画像処理を施すものであるため，こ. を用いれば（C）の誤差を低減させることは容易で. れらの手法によって歩行者・来訪者の嫌悪感を拭. ある．したがって，実運用時には（D） （ほぼ（C）. い取ることは難しい．一方，あらかじめ低解像度. と等しい）に対してもこの対応関係を用いることに. 映像しか取得しないことを前提に低解像度向けの人. より（A）に近い結果を得ることが可能となる．. 物検出アルゴリズムを開発している手法. 122. 3）. いて，取得した劣化映像からブラー不変マップを. 情報処理 Vol.58 No.2 Feb. 2017. 5）. もある.
(4) 6. 8K/MMT 時代のプライバシー保護技術─ブラー不変マップと定点観測カメラシステムへの応用─. 学習時. 実運用時. （A）鮮明画像とその分布. （B）劣化画像とその分布. （C）鮮明画像から生成された マップとその分布. （D）劣化画像から生成された マップとその分布. MMT への期待 前章では，プライバシー保護を考慮した歩行者計 数技術について述べた．コンピュータビジョンのた めの機械学習型システムは，本技術に限らず一般に 画像解像度の変化に敏感である．すなわち，学習素 材として高解像度な映像を与えられるほど高精度化 できる傾向がある．コンピュータビジョンを含む人 工知能技術が急速に進展している現代において人工 知能はますます我々の生活に深く入り込んでくるで あろうが，その際，人間による視聴を伴わない非放 送用途であっても 4K・8K といった超高精細画像 は人工知能にとって有益となる． また，真にプライバシーが守られ一般市民の抵抗. 図 -5 ブラー不変マップを用いた学習. 高機能に伝送する MMT のような技術はますます 必須となるであろう． 参考文献 1） Lowe, D. G. : Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, Vol.60, Issue2, pp.91-110 (Nov. 2004). 2） Idrees, H., Saleemi, I., Seibert, C. and Shah, M. : Multi-Source Multi-Scale Counting in Extremely Dense Crowd Images, 2013 IEEE Conference on Computer Vision and Pattern Recognition (IEEE CVPR 2013) (June 2013). 3） Sohn, H., Neve, W. D. and Ro, Y. M. : Privacy Protection in Video Surveillance Systems : Analysis of Subband-Adaptive Scrambling in JPEG XR, IEEE Trans. Circuits and Systems for Video Technology ( TCSVT ) , Vol.21, No.2, pp.170-177 (Feb 2011). 4） Thorpe, C., Li, F., Li, Z., Yu, Z., Saunders, D. and Yu, J. : A Coprime Blur Scheme for Data Security in Video Surveillance, IEEE Trans. on Pattern Analysis and Machine Intelligence (PAMI), Vol.35, No.12 (Dec. 2013). 5） 辻，鄭，中島，松田，宮崎，皆川，既設カメラなどの低解像 度映像による人物検出システム，情報処理学会コンピュータ ビジョンとイメージメディア (CVIM) 研究会（2015-CVIM-196 （21））(2015).. がなくなるのであれば，街中どこでも，いや，家の 中までもカメラが密に設置される時代もくるかもし. （2016 年 11 月 8 日受付）. れない．たとえば， 「誰が何をしているのかは一切 分からないが DV（Domestic Violence）や児童虐 待が発生した場合には確実に検出できる」などの技 術が実現されるとしたら，社会全体の仕組みとして 導入を検討することはあながちあり得ない話ではな い．このような時代には，超多数の映像を柔軟かつ. 青木輝勝（正会員）■ [email protected] 東京大学工学系研究科電子工学博士課程修了．博士（工学）．同 大先端科学技術研究センター助手・講師などを経て，現在，東北大 学未来科学技術共同研究センター准教授．画像処理技術，画像理解 技術などの研究開発に従事．文部科学大臣表彰若手科学者賞（2007 年），画像電子学会最優秀論文賞（2004 年，2009 年），本会優秀教 育賞（2007 年）など受賞．. 情報処理 Vol.58 No.2 Feb. 2017. 123.
(5)
関連したドキュメント
DJ-P221 のグループトークは通常のトーンスケルチの他に DCS（デジタルコードスケル
また，
Urteil vom Landgericht I B erlin Kammer fu¨r Handelssachen, abgedruckt bei Schutz von Gesangsvortra ¨g e n. gegen phonographische Wiedergabe, GRUR ῍ῌῌ ,S
メーカー 部品の注文 代理店 修理依頼 顧 客.
高レベル放射性汚染水処理設備の長期間の停止及び豪雨等に備え，滞留水の移 送・処理を行うことでタービン建屋等の水位を OP.3,000
予測の対象時点は、陸上競技（マラソン）の競技期間中とした。陸上競技（マラソン）の競 技予定は、 「9.2.1 大気等 (2) 予測 2)
常時 測定 ※１ 可能な状態において常に測定 ※１ することを意味しており，点 検時等の測定 ※１ 不能な期間を除く。.
