| Project/Area Number |
20K11777
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60060:Information network-related
|
|---|
| Research Institution | Hosei University |
|---|
Principal Investigator |
藤田 悟 法政大学, 情報科学部, 教授 (40513776)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
内田 薫 法政大学, 情報科学研究科, 教授 (40735651)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2021: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2020: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
|
|---|
| Keywords | 画像認識 / 画像照合 / ニューラルネットワーク / 人体計測 / 生体情報抽出 / 画像特徴量 / GAN / 脈拍推定 / フーリエ変換 / ウェーブレット変換 / 特異値分解 / 特徴点トラッキング / 物体指紋 / 特徴点照合 / 生体情報 |
|---|
| Outline of Research at the Start |
本研究では、高解像、かつ、高機能化したスマートフォンのカメラにより撮影した画像を微視的かつ時間軸上に詳細分析し、曲面を持つ剛体を含む物体の個体識別や、人体のように曲面かつ柔軟体である物体の個体識別を行い、加えて、脈拍や紅潮のような時間変化に関する情報抽出を行う技術について研究する。応用領域として、私物の判定や個人認証などの物体の個体識別を可能にすることと、心拍数を始めとする人体の状態観察を非接触で行うことによる健康管理システムの構築を想定している。タグを利用しない野生動物の個体管理や、動物の健康管理(心拍数管理)など、指示や異常通知が難しい動物管理への応用も可能になると考える。
|
| Outline of Annual Research Achievements |
本研究では、高解像、かつ、高機能化したカメラにより撮影した画像を微視的かつ時間軸上に詳細分析する研究を進めている。特に、人体のように曲面かつ非剛体である物体に対する画像を分析し、個体識別や健康情報の抽出を行う技術を中心に研究を進めている。
本研究は、2020年度に研究を開始し、2020年度は、顔映像からの脈拍抽出に関する研究を進め、顔映像の時間と空間の連続性を用いて、脈拍の観測が可能であることを示した。そして、2021年度には、目の瞳孔径測定について研究を進め、赤外線カメラを用いて瞳孔を撮影し、エッジ抽出とハフ変換を用いて概形を抽出する手法を提案した。2022年度には、従来研究を上回る精度の認識手法を確立した。
2021年度からは、掌の微小な画像特徴量を用いて認証する手法について着手し、指紋に相当する微細な特徴量を抽出することに成功した。引き続き、2022年度に、ニューラルネットワークを用いた特徴点抽出と特徴点マッチングの手法の研究に着手した。そして、2023年度には、粗粒度と微細粒度の2レベルのパターン認識を行うニューラルネットワークの構築に成功し、非剛体に対する物理的な位置制約に基づく照合技術として報告した。
2022年度からは、複数カメラによる人体の同時撮影システムを用いて、人体の3次元的な特徴をモデル化する手法の研究に着手した。2023年度には、複数カメラの画像から構築した人体の3D表面モデルに対して、骨格を推定する研究を行い、複数のニューラルネットワークを組み合わせることで、骨格推定が可能であることを示した。
この他、上記のようなニューラルネットワークを用いた分析手法の高度化を目的に、ニューラルネットワーク自身の研究も深め、few-shot learning や、重みパラメータの効率的な学習手法、3次元の複雑表面を持つ画像の生成研究に成果を納めた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
掌の照合技術について、2022年度に、ニューラルネットワークを利用して照合を行なう方向性を示し、2023年度に、粗粒度と微細粒度の2レベルのパターン認識をニューラルネットワークが担う手法を提案し、掌の照合が可能なことを示した。入力画像は、画像認識で一般的な CNN を用いて、特徴量が抽出され、それを、位置的制約と特徴量の類似制約を合わせて最適な画像照合の組み合わせを探索する手法であり、その全体をニューラルネットワークで一貫して学習できる点が特徴である。認識精度を高めるには、ニューラルネットワーク内部の深い理解が必要であり、ニューラルネットワークの重みの変化量の可視化や、正解に収束しやすいネットワーク構成などについて、研究を進める。
人体の照合には、表面の特徴量の照合に加えて、骨格のような人体内部の構造に対しても分析が必要であると考え、2022年度から、人体の表層モデルに対して骨格を推定する研究を進めている。100台近いカメラを用いて、複数方向の人体を撮影し、その画像を合成することで、3Dの人体モデルを形成する手法は、photo geometry として知られているが、これが生成する3Dの表層モデルから、内部の動作メカニズムを提供する骨格を推定することは、人物照合にも重要な観点を与える研究と考えている。現在、人体の表層のポリゴンモデルから、骨格と関節を推定するニューラルネットワークについて研究を進めており、今後も、この研究を強化したいと考える。
研究の基盤としてニューラルネットワークの重要性が高まる中、学習過程における重みパラメータの分析や、few shot learning などについての研究も強化している。特に、学習の収束性を高めるためには、重み分布を学習する必要があると考え、Bayesian Neural Network にも注目し、研究を進める。
|
| Strategy for Future Research Activity |
全体的には、ニューラルネットワークの活用と研究を積極的に進める。
掌の照合技術についての認識精度を高めるには、ニューラルネットワーク内部の深い理解と技術開発が必要であり、ニューラルネットワークの重みに注目し、正解に収束しやすいネットワークについて、研究を進める予定である。
人体の骨格推定についても、人体の表層のポリゴンモデルから、骨格と関節を推定するニューラルネットワークが必要であり、GNNなど、複数の候補について調査しつつ、研究を進める。
研究の基盤としてニューラルネットワークの重要性が高まる中、few shot learning などについての研究も強化していく。特に、Bayesian Neural Network にも注目した研究を進める予定である。
|
