|
道路上を走行中の車両追跡という課題において、ビデオフレームごとに次々と入力される画像情報は、膨大な数の学習サンプルとなり、追跡対象となる車両の見え方が時々刻々と変化していくため、毎フレームごとに未学習のサンプルが与えられていると考えることが出来る。そのため、学習時間が短く、かつ、未学習のサンプルに対する識別性能（汎化性能）の高い識別器が必要とされている。一方、識別器の学習手法に関しては、 カーネル法、サポート・ベクトル・マシン（SVM）など非線形識別手法の発達により、訓練サンプルに対しては100％の識別率を実現することも困難ではなくなっているが、汎化性能の向上に関しては課題が残されており、また、大規模なサンプルに対しては学習に必要な時間も大きなものとなっている。
本研究では、大規模な学習サンプルから少数のサブセットを抽出して学習した識別器を複数組み合わせることによって、学習時間が短く、かつ、汎化性能の高い識別器を構成する手法を開発した。学習に必要な時間は、学習対象となるサンプル数の二乗から三乗に比例するため、少数（最小単位は正例と負例の1ペア）のサンプルで学習を行うことで個々の識別器の学習時間は大幅に削減でき、複数の識別器を組み合わせても全体の学習時間は短くすることが出来、同時に、高い汎化性能を実現できることが示された。
また、そこで得られた知見を、車両検出・追跡手法に適用することにより、追跡精度が高く、かつ、追跡対象の見えの変化に対して頑健な車両検出・追跡アルゴリズムを開発した。
|
