Transcript I1 I2

画像情報を用いた交通流計測
情報工学科
藤吉研究室
EP02076 都築勇司
画像情報を用いた交通流計測
背景
• 渋滞，事故などの交通問題
– 交通流を知ることで原因究明
• 人の手による計測
– 長時間の計測は不向き
• 超音波センサ，ループコイルなどによる計測
– 設置に大掛かりな工事が必要
画像情報を用いた交通流計測
目的
• カメラ映像による交通流の計測
– 長時間計測可能
– 設置が容易
• 簡略なアルゴリズムによる実現
– 低スペックマシンへの実装
画像情報を用いた交通流計測
実装環境
• Brains社製
• mmEye-PPC
– CPU
LANケーブル
• Motorola社製
• MPC5200
• 400MHz
12cm
8cm
カメラ入力
– メモリ
電源
• SAMSUNG社製
• K4H511638B-TCB0×2
• 計256MByte
– OS
• NetBSD/sandpoint
画像情報を用いた交通流計測
システム概要
画像処理及び
ネットワークサーバとして機能
ネットワークにより配信
URL http://157.110.46.102/test.shtml
画像情報を用いた交通流計測
交通流計測における問題点
台数4台と誤計測
台数1台
• 同一車両に対する重複計測
• 同一物体をトラッキング
• 交差した領域に処理を限定
– 処理の簡略化
画像情報を用いた交通流計測
交通流計測の処理手順
1.
2.
3.
4.
5.
移動体検出
計測ラインとの交差判定
同一物体判定
物体識別
カウント判定
画像情報を用いた交通流計測
移動体検出
• フレーム間差分法による移動体の検出
差分値
ピクセル状態
t  max{| It  It  j |, j [1, n]}
Mt (u, v) 
{
1,
0,
t (u, v)  Th
t (u, v)  Th
時刻t-iの画像
物体領域
画像情報を用いた交通流計測
時刻tの画像
Th: しきい値
交差判定
• 車両の進行方向と垂直に計測ラインを設定
• 交差している領域のみ計測対象
画像情報を用いた交通流計測
同一物体判定
• 過去の検出領域との比較
新規作成
更新
更新
画像情報を用いた交通流計測
物体識別 -ピクセル差分-
P1
P2
ピクセル差分 = I1 – I2
特徴量の抽出が高速
I1
117
125
121
21
13
-50
I2
一定のしきい値Thで分離可能
AdaBoostにより200組のピクセル対としきい値を選択
画像情報を用いた交通流計測
カウント判定
• カウントのタイミングは計測ライン通過後
– 信頼性の向上
• 誤検出の対応
通過フレーム数 Thc
• 誤識別の対応
誤識別の発生
車両でない
車両である
通過フレーム数:4
通過フレーム数:3
通過フレーム数:0
通過フレーム数:1
通過フレーム数:2
車両と識別されたフレーム数:1
車両と識別されたフレーム数:0
車両でない
車両と識別されたフレ
ーム数
 Th f
通過フレーム数
画像情報を用いた交通流計測
評価実験
• 実験方法
– 過去3年分の映像から約4時間に対して計測
– 目視による計測を真値として比較
• 結果
表1．計測結果
計測方法
真値
110
本手法
106
– 正解率96.4%
– 実行速度24fps
画像情報を用いた交通流計測
通過台数
実行画面
画像情報を用いた交通流計測
まとめ
• カメラ映像から自動での交通流計測
– 目視と比較し正解率96.4%
– 小型画像処理ボードで24fpsの実行
• 低スペックマシンでリアルタイムを実現
• 今後の課題
– 移動体検出，識別器の精度の向上
– 人やバイクなど多クラスへの対応
画像情報を用いた交通流計測
画像情報を用いた交通流計測
画像情報を用いた交通流計測
物体識別 -AdaBoost• Boosting
– 弱い識別器（弱仮説）を複数用い，より高性能な識別器を構築
Adaboostは弱仮説を効率的に選択する手法
1. 全ての学習データに対して最も正解の多い弱仮説の選択
2. 識別に失敗した学習データの重みの増加
3. 重みの獲得が最大となる弱仮説の選択
4. 2～3を繰り返す
画像情報を用いた交通流計測