移動するカメラから取得された動画像を対象とする移動物体検出手法の検討

映像処理において，基礎的な技術である映像中からの変化検出は通常の状態を表現する背景を構築し，その構築した背景と入力画像を比較することで可能となる． 本研究では複数のカメラから取得された映像を統合的に用いる背景の構築手法の提案を目的とし，撮影位置の異なる画像，特に移動するカメラから取得された画像を用いた背景モデルの検討に注力した．本年度では，前年度におこなったニューラルネットワークを用いた変化検出に基づく移動物体検出手法についての評価実験および深層学習を用いた背景差分法の解析を引き続き行った．（１）画像復元に基づく変化検出手法移動するカメラから取得された画像に対して変化検出を行う場合，各画像に適切な地点で撮影された背景画像を参照する必要がある．提案手法は，過去に一度見たことのある領域は現在の観測から思い出すこと（復元）ができるというコンセプトに基づき，移動カメラによる複数視点による画像を統一的扱うことが可能とした．過去に観測された画像をもとに画像の復元を学習することで，過去の画像に含まれていない新たに出現した物体領域が復元できないことを利用し，変化検出を行う．実験において，カメラの動きに依存せず，動的物体，静的物体にかかわらず，変化した領域を検出することが可能であることを示した．（２）背景差分ニューラルネットワークの解析（１）において採用者はニューラルネットワークを用いた背景差分手法を用いており，その特性を解析することは手法の利点，欠点の理解や手法の性能向上の一助となる．前年度の解析の結果では，ネットワーク第1層と最終層の解析にとどまったが，本年度は中間層の特徴量の観察を通してニューラルネットワークの解析を行った．この解析により，中間層以降でも，差分演算が特徴間で行われていること，シーン固有の背景変動に対して重要な働きをするフィルタが形成されることを確認した．

映像処理において，基礎的な技術である映像中からの変化検出は通常の状態を表現する背景を構築し，その構築した背景と入力画像を比較することで可能となる． 本研究では複数のカメラから取得された映像を統合的に用いる背景の構築手法の提案を目的とし，撮影位置の異なる画像，特に移動するカメラから取得された画像を用いた背景モデルの検討に注力した．本年度では，前年度におこなったニューラルネットワークを用いた変化検出に基づく移動物体検出手法についての評価実験および深層学習を用いた背景差分法の解析を引き続き行った．（１）画像復元に基づく変化検出手法移動するカメラから取得された画像に対して変化検出を行う場合，各画像に適切な地点で撮影された背景画像を参照する必要がある．提案手法は，過去に一度見たことのある領域は現在の観測から思い出すこと（復元）ができるというコンセプトに基づき，移動カメラによる複数視点による画像を統一的扱うことが可能とした．過去に観測された画像をもとに画像の復元を学習することで，過去の画像に含まれていない新たに出現した物体領域が復元できないことを利用し，変化検出を行う．実験において，カメラの動きに依存せず，動的物体，静的物体にかかわらず，変化した領域を検出することが可能であることを示した．（２）背景差分ニューラルネットワークの解析（１）において採用者はニューラルネットワークを用いた背景差分手法を用いており，その特性を解析することは手法の利点，欠点の理解や手法の性能向上の一助となる．前年度の解析の結果では，ネットワーク第1層と最終層の解析にとどまったが，本年度は中間層の特徴量の観察を通してニューラルネットワークの解析を行った．この解析により，中間層以降でも，差分演算が特徴間で行われていること，シーン固有の背景変動に対して重要な働きをするフィルタが形成されることを確認した．