[論文レビュー] Using Covariance Matrices as Feature Descriptors for Vehicle Detection from a Fixed Camera

Kevin Mäder, G.J. Reese|arXiv (Cornell University)|Feb 12, 2012

Video Surveillance and Tracking Methods参考文献 5被引用数 8

ひとこと要約

この論文では、固定カメラによる映像配信から車両を自動車またはトラックに分類するために、画像領域の共分散行列を特徴記述子として使用することを提案している。背景差分法、画像前処理、および共分散行列の特徴値の対数に基づく距離尺度を適用することで、妥当な分類精度が達成されたが、中型車両についてはクラス間距離が小さくなるため性能が低下する。

ABSTRACT

A method is developed to distinguish between cars and trucks present in a video feed of a highway. The method builds upon previously done work using covariance matrices as an accurate descriptor for regions. Background subtraction and other similar proven image processing techniques are used to identify the regions where the vehicles are most likely to be, and a distance metric comparing the vehicle inside the region to a fixed library of vehicles is used to determine the class of vehicle.

研究の動機と目的

• 固定カメラによる高速道路映像から自動車とトラックを区別する堅牢な手法を開発すること。
• 共分散行列を特徴記述子として用いることで、車両分類の有効性を検討すること。
• 画像前処理および距離尺度の選択が分類精度に与える影響を評価すること。
• 特徴空間におけるクラス間距離が小さいために中型車両の分類に限界が生じる理由を特定すること。
• 共分散行列を用いるアプローチが、バウンディングボックス面積のような単純な指標よりも効果的であるかを評価すること。

提案手法

• 移動する車両を分離するために、50フレーム以上の平均画像を用いた背景差分法を適用する。
• 回転、切り出し、中央値フィルタリング、明るさしきい値処理を含む画像前処理により、車両領域を強調する。
• Cannyエッジ検出と明るさしきい値処理を用いて二値画像を作成し、セグメンテーションを可能にする。
• セグメンテッドされた車両領域内の色および明るさ特徴から共分散行列を計算し、特徴記述子を形成する。
• 共分散行列の特徴値の対数に基づく距離尺度を用いて、未知の車両を既知の自動車およびトラックテンプレートのライブラリと比較する。
• 分類は、各車両をそのテンプレートとの距離が最も小さいクラス（自動車またはトラック）に割り当てるものである。

実験結果

リサーチクエスチョン

• RQ1 共分散行列は、固定カメラ映像における自動車とトラックを分類するための判別的特徴を効果的に捉えられるか？
• RQ2 共分散行列の特徴値に基づく距離尺度の選択が、分類精度にどのように影響するか？
• RQ3 中央値フィルタリングやエッジ強調などの画像前処理手順が、分類性能をどの程度向上させるか？
• RQ4 ステーションワゴンのような中型車両が不一致な分類結果を示す理由は何か？
• RQ5 共分散行列アプローチは、バウンディングボックス面積のような単純な指標よりも効果的か？

主な発見

• 本手法は、小型セダンを自動車、大型トラックをトラックとして正しく分類でき、顕著な車両タイプに対して堅牢であることを示した。
• ステーションワゴンのような中型車両は、特徴空間における自動車とトラックのテンプレート間の距離差が小さく、頻繁に誤分類された。
• 車両が自動車およびトラックの両方のテンプレートと等距離に位置する場合に顕著な失敗モードが発生した。これは、背景差分画像に道路標示の不正なエッジが混入するためであった。
• アルゴリズムの性能は画像品質および前処理に敏感であり、ゴースト効果や低照度状態が特徴抽出に悪影響を及えた。
• 距離尺度に特徴値の対数を用いることで安定した比較が可能になったが、面積ベースの分類のような単純な代替手法と比較して計算コストが高かった。
• 本研究は、現在のチューニングが定性的で、おそらく最適でない可能性があるため、より定量的でデータ駆動型のメトリック設計アプローチの導入が求められると結論づけた。