[論文レビュー] Object Detection with Pixel Intensity Comparisons Organized in Decision Trees

Nenad Markuš, Miroslav Frljak+3 more|arXiv (Cornell University)|May 20, 2013

Advanced Image and Video Retrieval Techniques参考文献 26被引用数 37

ひとこと要約

本稿では、ピクセル強度の比較に基づく意思決定木を用いた高速で軽量な物体検出フレームワークを提案する。このフレームワークは、リアルタイム性能を実現するため、リジェクトャの級列構造で構成されている。本手法は、積分画像や前処理を必要とせず、最小限の計算で競争力ある顔検出精度を達成し、低消費電力デバイスへの効率的なデプロイを可能にする。また、回転不変の検出を回転した特徴テストにより高速に実現する。

ABSTRACT

We describe a method for visual object detection based on an ensemble of optimized decision trees organized in a cascade of rejectors. The trees use pixel intensity comparisons in their internal nodes and this makes them able to process image regions very fast. Experimental analysis is provided through a face detection problem. The obtained results are encouraging and demonstrate that the method has practical value. Additionally, we analyse its sensitivity to noise and show how to perform fast rotation invariant object detection. Complete source code is provided at https://github.com/nenadmarkus/pico.

研究の動機と目的

• リソース制限のあるデバイス（スマートフォンや組み込みシステムなど）に適したリアルタイムで低複雑性の物体検出システムを開発すること。
• 既存のビオラ＝ジョーンズ型検出器よりも高速に処理を改善しつつ、競争力ある検出精度を維持すること。
• 積分画像、HOG、または画像リサイズなどの計算コストの高い前処理手順を排除すること。
• 画像リサンプリングなしに、回転したバイナリーテストを回転させることで、効率的な回転不変の顔検出を可能にすること。
• ノイズへのロバストネスを評価し、実世界のデータセット上で実用的であることを示すこと。

提案手法

• 本手法は、ピクセル強度の比較に基づく二値テストを用いた意思決定ツリーのアンサンブルを採用する：$\text{bintest}(I;\mathbf{l}_1,\mathbf{l}_2) = 0$ は $I(\mathbf{l}_1) \leq I(\mathbf{l}_2)$ の場合、それ以外は 1 となる。
• ツリーの各内部ノードは、トレーニングデータ上で重み付き平均二乗誤差（WMSE）を最小化する強度比較を選択し、正規化された画像座標上でグリーディにサンプリングする。
• ツリー構築は重み付き最小二乗法を用いた回帰ベースのアプローチで最適化され、GentleBoostを用いて弱学習器のアンサンブルを形成する。
• リジェクトャの級列構造を用い、各段階でネガティブサンプルを早期にフィルタリングすることで、全体の推論速度を向上させる。
• 回転不変の検出のため、回転方向ごとに事前にピクセル強度比較を計算し、ルックアップテーブルを用いることで、実行時の三角関数計算を回避する。
• 積分画像、HOG、または他の特徴ピラミッドを一切使用せず、速度とシンプルさを確保するため、強度比較に依存する。

実験結果

リサーチクエスチョン

• RQ1 ピクセル強度の比較にのみ依存する意思決定ツリー枠組みは、既存の手法よりも著しく高速である一方で、競争力ある物体検出精度を達成できるか？
• RQ2 ノイズの程度が異なる状況下で、本手法はどのように性能を示すか？また、追加の前処理なしにロバスト性を向上させられるか？
• RQ3 リサンプリングや高価な特徴変換なしに、本システムは効率的な回転不変の顔検出を実現できるか？
• RQ4 低消費電力デバイスにおける検出精度と処理速度のトレードオフは何か？
• RQ5 回転に対する性能と速度の観点で、OpenCVのLBPベースの顔検出器と比較して、本手法はどのように差をつけるか？

主な発見

• 標準PC上で、1コアで640 × 480の画像を12方向分処理するのに32ms未満で実行可能であり、リアルタイム性能を達成している。
• GENKI-SZSLデータセットでは、正面顔の検出精度がOpenCVのLBPベースの正面顔検出器と同等であり、回転した顔の検出に対しても同様の性能を示している。
• 高ノイズ環境では感度が低下し、強いガウスノイズ下では検出率が著しく低下するが、事前フィルタリングによりこれを緩和できる。
• 積分画像、HOG、コントラスト正規化やリサイズなどの前処理ステップを一切不要とし、計算オーバーヘッドを削減している。
• 回転不変の検出は実現可能で、効率的であり、処理時間は方向数に比例して線形に増加し、全テスト角度で安定した性能を示している。
• 完全なソースコードは https://github.com/nenadmarkus/pico で公開されており、再現性とさらなる開発を可能としている。