SlideShare a Scribd company logo

Opeｎcv object detection_takmin

•
•
Takuya Minagawa
Takuya Minagawa

第１０回CV勉強会　発表資料

1 of 43
Downloaded 329 times
第１０回CV勉強会 OpenCV祭り 物体検出徹底解説！ takmin
＜質問＞ OpenCVで一番有名な機能 といったらなんでしょう？
＜答え＞ 顔検出 （※この発言は個人の見解であり、所属す る組織の公式見解ではありません）
実は認識出来るのは「顔」だけ じゃないんです というわけで、「物体」検出の仕 組みと使い方を徹底解説
物体検出徹底解説！  物体検出の仕組み  Viola & Johnsのアルゴリズムを解説  物体検出の使い方  2.0以降の変更点  物体検出器を作ってみよう！  opencv_createsamples  opencv_traincascade
物体検出の仕組み
Viola & Johnsのアルゴリズム  OpenCVの物体検出は、以下の手法を実装している  Rainer Lienhart and Jochen Maydt, "An Extended Set of Haar-like Features for Rapid Object Detection", IEEE ICIP 2002,Vol. 1, pp. 900-903, Sep. 2002.  Ojala and M. Pietikainen, “Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns”, IEEE Trans on PAMI,Vol. 24. No.7, July, 2002. (LBPの論文) ここでは、大元となった以下の論文を元に解説する Paul Viola and Michael J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, 2001.
物体検出の流れ 探索窓
物体検出の基本原理 学習フェーズ 認識フェーズ 学習画像 学習画像 学習画像 入力画像 Haar-Like 特徴 特徴量抽出 特徴量抽出 AdaBoost 学習 認識 学習結果 認識結果 データ
機械学習とは？  人間が自然に行っている学習能力と同様の機能をコン ピュータで実現させるための技術・手法のこと  事前にコンピュータにサンプルデータを与え、そのパターンを 統計的に抽出させる。 学習サンプル 学習結果
AdaBoost  弱い識別器を並べて、強い識別器を作成する機械学習 非正解画 教師 正解画像 像 信号 学習 弱い識別器 強い識別器 ・・・・
AdaBoostの学習の流れ 以下の処理を繰り返し、１ラウンドごとに１つの特徴を選ぶ 1. 学習画像（正解及び非正解）を用意する。（例：顔画像と顔を含まない画 像） 2. 各画像ごとの重みを、正解画像、非正解画像ごとに一様にする。（各々 の合計は0.5） 3. 以下を指定回数繰り返す。 1. 重みの合計が１になるように正規化 2. 各々の識別器に画像の判定を行わせ、学習画像毎の重みを元にエラー率を 算出する 3. エラー率が最も小さくなった識別器を選択する。 4. その識別器が判別を誤った画像の重みを重くする。 4. 選択した識別器の重み付き和を最終的な強識別器とする。
Haar-Like特徴 特徴量 = 白領域 の画素値－黒領域の画素値
Haar-Like特徴と探索窓  探索窓の中に、１つHaar-Like特徴を持つ。  １つの弱識別器は、１つの探索窓から構成  探索窓内のHaar-Like特徴の「位置」、「サイズ」、「種類」 を様々に変えて、約１２万個の識別器を用意。 矩形特徴 探索窓 （Haar-Like特徴）
AdaBoostの学習結果の例  AdaBoostを通して、最適な探索まで自動的に選択される 選択された特徴の例 画像出典： P.Viola and M.J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, 2001.
検出の高速化 1. 積分画像によるHaar-Like特徴計算の 高速化 2. Attentional Cascadeによる物体領域選 択の高速化
高速化の仕組み – 積分画像 -  各画素の値を積分した画像を作成する。（右下に行くほど画 素の値が大きくなる）  矩形領域の画素値の総和が非常に高速に計算可能になる。 P1 = 領域Aの画素値の総和 P2 = 領域A+Bの画素値の総和 P3 = 領域A+Cの画素値の総和 P4 = 領域A+B+C+Dの画素値の総和 P’2 A B B’ P1 P2 C D A’ P’1 D’ P’4 P4 P3 C’ P’3 D = P4 – P2 – P3 + P1 D’ = P’4 – P’2 – P’3 + P’1
高速化の仕組み – Attentional Cascade -  画像中は「物体以外」の領域の方が多い  効率よく「物体以外」の領域を削除するために、強識別器を複 数連結させ、上位で関係ない領域を早めに削除する。 全ての探索窓 TRUE TRUE TRUE １ ２ ３ 更なる処理 FALSE FALSE FALSE 拒否された探索窓
物体検出器の構造（まとめ）  物体検出器の学習データは以下の構造を持つ カスケード型検出器 ステージ１（強識別器） ステージ２（強識別器） 弱識別器１ 弱識別器１ Haar-Like特徴 Haar-Like特徴 弱識別器２ 弱識別器２ ・・・・・ ・ ・ ・ ・ ・ ・ ・ ・
OpenCVで物体検出
OpenCVで物体検出 OpenCV 2.0以降の変更点：  CascadeClassifierクラスを追加  CインターフェースのCvHaarClassifierCascadeに対応  弱識別器として使用する特徴量の基底クラス導入  FeatureEvaluatorクラスを継承することで、独自特徴量を実 装可能。  現在はHaar特徴とLBP特徴が実装されている。
Local Binary Pattern (LBP) • 注目画素の８近傍の値が、注目画素より高いか低いかで ラベリングし、符号化 • 全画素で符号を計算し、ヒストグラムを作成 Jo Chang-yeon, “Face Detection using LBP features”, CS 229 Final Project Report
Local Binary Pattern (LBP) 続き • 顔画像をM個のブロックへ分割（重なりなし）し、それぞれ のヒストグラムを求めて結合する（256×M個のビン） • この結合ヒストグラムの一つのビンが弱識別器 Jo Chang-yeon, “Face Detection using LBP features”, CS 229 Final Project Report
物体検出の実行（顔検出の例） /* 正面顔検出器のロード */ cv::CascadeClassifier cascade( "haarcascade_frontalface_alt.xml" ); std::vector<cv::Rect> faces; std::vector<cv::Rect>::iterator face_itr; /* 顔検出 */ fcascade.detectMultiScale( image, faces); /* 顔領域の描画 */ for( face_itr = faces.begin(); face_itr != face_itr.end(); face_itr++ ) { cv::rectangle( image, *face_itr, CV_RGB(255,0,0), 3 ); } /* 画像の表示(略) */
物体検出の実行  実行の流れ 1. CascadeClassifierクラスへオブジェクトの学習ファイル (XML)を読み込み  コンストラクタの引数、もしくはload()メソッド  ファイル読み込み時にHaar特徴かLBP特徴かは自動で 判断 2. CascadeClassifier::detectMultiScale ()関数で、物体検出  std::vector<cv::Rect>クラスへ結果を格納
学習データ  “＜OpenCV_HOME＞/data/”  “haarcascades/” : Haar特徴を用いた学習データ  正面顔  顔パーツ  横顔  上・下半身  “lbpcascades/” : LBP特徴を用いた学習データ  正面顔
物体検出器の作成
手順 1. 学習データを集める。（正解画像と非正解画像） 2. 学習用テキストファイルを作成する 3. “opencv_createsamples”を用いて正解画像データ を作成する。 4. “opencv_traincascade”を用いて物体情報を学習さ せて、XMLファイルを生成する。
参考資料 私の知る限り、ver2.0以降の物体検出器生成手順を 書いた正式なドキュメントはありません（！？） ただし、ver1.1までのドキュメントでも、使い方はなんとか類推で きる。 参考資料：  “/doc/haartraining.htm”  http://lab.cntl.kyutech.ac.jp/~kobalab/nishida/opencv/haa rtraining_jp.htm（日本語訳）  http://robotik.inflomatik.info/other/opencv/OpenCV_O bjectDetection_HowTo.pdf
学習画像を集める 正解画像3000枚、非正解画像7000枚程度  Google Image  http://images.google.co.jp/  Flickr  http://www.flickr.com/  研究用データ  Pascal VOC  http://pascallin.ecs.soton.ac.uk/challenges/VOC/  MITの顔画像データ  http://cbcl.mit.edu/software-datasets/FaceData2.html  カリフォルニア工科大学の物体画像データ  http://www.vision.caltech.edu/Image_Datasets/Caltech101/Caltech101.html  http://www.vision.caltech.edu/Image_Datasets/Caltech256/  etc  自分で撮影する
学習用テキストを編集する  画像のリストファイルを作成する（非正解画像の例） NG.txt ＜作業ディレクトリ＞ NG¥image_0001.jpg NG.txt NG¥image_0002.jpg OK.txt NG¥image_0003.jpg NG¥image_0004.jpg NG NG¥image_0005.jpg image_0001.jpg . image_0002.jpg . . image_0003.jpg . OK image_0001.jpg image_0002.jpg image_0003.jpg
学習用テキストを編集する  画像のリストファイルを作成する（正解画像の例） OK.txt ＜作業ディレクトリ＞ OK¥image_0001.jpg 1 120 100 45 45 NG.txt OK¥image_0002.jpg 2 100 200 50 50 50 30 25 25 OK.txt OK¥image_0003.jpg 1 40 55 60 60 OK¥image_0004.jpg 1 104 98 40 40 NG OK¥image_0005.jpg 2 62 70 50 50 120 162 30 30 image_0001.jpg . image_0002.jpg . image_0003.jpg . . OK image_0001.jpg image_0002.jpg ファイル名 物体の位置×物体数 物体数 (x,y,width,height) image_0003.jpg
物体座標の表記 （0, 0） x （X,Y） Heigh t Width y 以下のサイトから、”ObjectMaker”というプロットツールをダウンロード可能！ http://opencv.willowgarage.com/wiki/ObjectDetection “ObjectMarker”を日本語化他、色々と使いやすく改造した物 http://www.hvrl.ics.keio.ac.jp/~takuya/profile_j.html
正解画像データの作成 コマンドラインで“opencv_createsamples”という実 行ファイルを使用して、正解画像を変換する。  ２通りの正解データ作成方法 1. １枚の画像を、歪めたり、回転させたり、色の分布を変える などして、大量の学習データを作成する場合。（ロゴなど）  正直精度悪くてあんまり使えない。 2. 大量の学習画像を集めて、オブジェクトの領域をプロットす る場合。（顔、バイク、車など）
正解画像データの作成 画像ファイルリストから生成する場合 場所： このファイルを次のカス <OpenCV_HOME>/bin/opencv_createsamples” ケード学習時に使用する コマンド例： opencv_createsamples -info OK.txt -vec uiuc_car.vec -num 500 -w 50 -h 20 –show -info: 正解画像リストファイル -vec: 出力データファイル名 -num: 正解画像数 -w: 学習時の画像幅 -h: 学習時の画像高さ -show: 学習画像のGUIによる確認
学習の開始 場所： “<OpenCV_HOME>/bin/opencv_traincascade” コマンド例： opencv_traincascade -data uiuc_car -vec uiuc_car.vec -bg NG.txt -numPos 500 -numNeg 1327 -w 50 -h 20 -numStages 9 -featureType HAAR -mode ALL -data: 作成するファイル名。拡張子に”.xml”が付与される。 -vec: createsamplesで作成した正解画像データ名 -bg: 非正解画像ファイル名 -numPos: 正解画像数 -numNeg:非正解画像数 -w, -h: 画像サイズ。createsamplesで指定したものと同じにする。 -numStages: 作成するステージ数 -featureType: 特徴の型。HAARまたはLBP -mode: Haar-Like特徴の種類を指定
学習の開始 学習の様子 ===== TRAINING 0-stage ===== <BEGIN POS count : consumed 500 : 500 NEG count : acceptanceRatio 1327 : 1 Precalculation time: 44.686 +----+---------+---------+ | N | HR | FA | +----+---------+---------+ | 1| 1| 1| +----+---------+---------+ | 2| 1| 1| +----+---------+---------+ | 3| 1| 1| +----+---------+---------+ | 4| 0.998| 0.517709| +----+---------+---------+ | 5| 0.996| 0.37679| +----+---------+---------+ END>
実験  UIUC Car Datasetを使って車を学習させてみる  正解画像:500枚 非正解画像:500枚  学習画像サイズ100x40  更にCaltech256のclutterデータ827枚を非正解画像として追 加  HAAR特徴は50x20の画像サイズに対し、LBP特徴は100x40 の画像サイズに対して学習 学習画像例 positive negative
結果 HAAR特徴 LBP特徴
結果 HAAR特徴 LBP特徴
結果 特徴量 Recall Precision F-measure HAAR特徴 64% 23% 34% LBP特徴 70% 46% 56%
まとめ  OpenCVの物体検出は顔以外にも使える  物体検出の原理の解説  原理を分かっていたほうが、学習パラメータの意味も理解しや すい  OpenCVで検出器を作成する方法の解説  学習画像をたくさん集める必要  createsamplesで正解画像データを作成し、traincascadeで学習 データXMLを生成
Any Question?

More Related Content

Opeｎcv object detection_takmin

  • 1. 第１０回CV勉強会 OpenCV祭り 物体検出徹底解説！ takmin
  • 3. ＜答え＞ 顔検出 （※この発言は個人の見解であり、所属す る組織の公式見解ではありません）
  • 4. 実は認識出来るのは「顔」だけ じゃないんです というわけで、「物体」検出の仕 組みと使い方を徹底解説
  • 5. 物体検出徹底解説！  物体検出の仕組み  Viola & Johnsのアルゴリズムを解説  物体検出の使い方  2.0以降の変更点  物体検出器を作ってみよう！  opencv_createsamples  opencv_traincascade
  • 7. Viola & Johnsのアルゴリズム  OpenCVの物体検出は、以下の手法を実装している  Rainer Lienhart and Jochen Maydt, "An Extended Set of Haar-like Features for Rapid Object Detection", IEEE ICIP 2002,Vol. 1, pp. 900-903, Sep. 2002.  Ojala and M. Pietikainen, “Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns”, IEEE Trans on PAMI,Vol. 24. No.7, July, 2002. (LBPの論文) ここでは、大元となった以下の論文を元に解説する Paul Viola and Michael J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, 2001.
  • 9. 物体検出の基本原理 学習フェーズ 認識フェーズ 学習画像 学習画像 学習画像 入力画像 Haar-Like 特徴 特徴量抽出 特徴量抽出 AdaBoost 学習 認識 学習結果 認識結果 データ
  • 10. 機械学習とは？  人間が自然に行っている学習能力と同様の機能をコン ピュータで実現させるための技術・手法のこと  事前にコンピュータにサンプルデータを与え、そのパターンを 統計的に抽出させる。 学習サンプル 学習結果
  • 11. AdaBoost  弱い識別器を並べて、強い識別器を作成する機械学習 非正解画 教師 正解画像 像 信号 学習 弱い識別器 強い識別器 ・・・・
  • 12. AdaBoostの学習の流れ 以下の処理を繰り返し、１ラウンドごとに１つの特徴を選ぶ 1. 学習画像（正解及び非正解）を用意する。（例：顔画像と顔を含まない画 像） 2. 各画像ごとの重みを、正解画像、非正解画像ごとに一様にする。（各々 の合計は0.5） 3. 以下を指定回数繰り返す。 1. 重みの合計が１になるように正規化 2. 各々の識別器に画像の判定を行わせ、学習画像毎の重みを元にエラー率を 算出する 3. エラー率が最も小さくなった識別器を選択する。 4. その識別器が判別を誤った画像の重みを重くする。 4. 選択した識別器の重み付き和を最終的な強識別器とする。
  • 13. Haar-Like特徴 特徴量 = 白領域 の画素値－黒領域の画素値
  • 14. Haar-Like特徴と探索窓  探索窓の中に、１つHaar-Like特徴を持つ。  １つの弱識別器は、１つの探索窓から構成  探索窓内のHaar-Like特徴の「位置」、「サイズ」、「種類」 を様々に変えて、約１２万個の識別器を用意。 矩形特徴 探索窓 （Haar-Like特徴）
  • 15. AdaBoostの学習結果の例  AdaBoostを通して、最適な探索まで自動的に選択される 選択された特徴の例 画像出典： P.Viola and M.J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, 2001.
  • 16. 検出の高速化 1. 積分画像によるHaar-Like特徴計算の 高速化 2. Attentional Cascadeによる物体領域選 択の高速化
  • 17. 高速化の仕組み – 積分画像 -  各画素の値を積分した画像を作成する。（右下に行くほど画 素の値が大きくなる）  矩形領域の画素値の総和が非常に高速に計算可能になる。 P1 = 領域Aの画素値の総和 P2 = 領域A+Bの画素値の総和 P3 = 領域A+Cの画素値の総和 P4 = 領域A+B+C+Dの画素値の総和 P’2 A B B’ P1 P2 C D A’ P’1 D’ P’4 P4 P3 C’ P’3 D = P4 – P2 – P3 + P1 D’ = P’4 – P’2 – P’3 + P’1
  • 18. 高速化の仕組み – Attentional Cascade -  画像中は「物体以外」の領域の方が多い  効率よく「物体以外」の領域を削除するために、強識別器を複 数連結させ、上位で関係ない領域を早めに削除する。 全ての探索窓 TRUE TRUE TRUE １ ２ ３ 更なる処理 FALSE FALSE FALSE 拒否された探索窓
  • 19. 物体検出器の構造（まとめ）  物体検出器の学習データは以下の構造を持つ カスケード型検出器 ステージ１（強識別器） ステージ２（強識別器） 弱識別器１ 弱識別器１ Haar-Like特徴 Haar-Like特徴 弱識別器２ 弱識別器２ ・・・・・ ・ ・ ・ ・ ・ ・ ・ ・
  • 21. OpenCVで物体検出 OpenCV 2.0以降の変更点：  CascadeClassifierクラスを追加  CインターフェースのCvHaarClassifierCascadeに対応  弱識別器として使用する特徴量の基底クラス導入  FeatureEvaluatorクラスを継承することで、独自特徴量を実 装可能。  現在はHaar特徴とLBP特徴が実装されている。
  • 22. Local Binary Pattern (LBP) • 注目画素の８近傍の値が、注目画素より高いか低いかで ラベリングし、符号化 • 全画素で符号を計算し、ヒストグラムを作成 Jo Chang-yeon, “Face Detection using LBP features”, CS 229 Final Project Report
  • 23. Local Binary Pattern (LBP) 続き • 顔画像をM個のブロックへ分割（重なりなし）し、それぞれ のヒストグラムを求めて結合する（256×M個のビン） • この結合ヒストグラムの一つのビンが弱識別器 Jo Chang-yeon, “Face Detection using LBP features”, CS 229 Final Project Report
  • 24. 物体検出の実行（顔検出の例） /* 正面顔検出器のロード */ cv::CascadeClassifier cascade( "haarcascade_frontalface_alt.xml" ); std::vector<cv::Rect> faces; std::vector<cv::Rect>::iterator face_itr; /* 顔検出 */ fcascade.detectMultiScale( image, faces); /* 顔領域の描画 */ for( face_itr = faces.begin(); face_itr != face_itr.end(); face_itr++ ) { cv::rectangle( image, *face_itr, CV_RGB(255,0,0), 3 ); } /* 画像の表示(略) */
  • 25. 物体検出の実行  実行の流れ 1. CascadeClassifierクラスへオブジェクトの学習ファイル (XML)を読み込み  コンストラクタの引数、もしくはload()メソッド  ファイル読み込み時にHaar特徴かLBP特徴かは自動で 判断 2. CascadeClassifier::detectMultiScale ()関数で、物体検出  std::vector<cv::Rect>クラスへ結果を格納
  • 26. 学習データ  “＜OpenCV_HOME＞/data/”  “haarcascades/” : Haar特徴を用いた学習データ  正面顔  顔パーツ  横顔  上・下半身  “lbpcascades/” : LBP特徴を用いた学習データ  正面顔
  • 28. 手順 1. 学習データを集める。（正解画像と非正解画像） 2. 学習用テキストファイルを作成する 3. “opencv_createsamples”を用いて正解画像データ を作成する。 4. “opencv_traincascade”を用いて物体情報を学習さ せて、XMLファイルを生成する。
  • 30. 学習画像を集める 正解画像3000枚、非正解画像7000枚程度  Google Image  http://images.google.co.jp/  Flickr  http://www.flickr.com/  研究用データ  Pascal VOC  http://pascallin.ecs.soton.ac.uk/challenges/VOC/  MITの顔画像データ  http://cbcl.mit.edu/software-datasets/FaceData2.html  カリフォルニア工科大学の物体画像データ  http://www.vision.caltech.edu/Image_Datasets/Caltech101/Caltech101.html  http://www.vision.caltech.edu/Image_Datasets/Caltech256/  etc  自分で撮影する
  • 31. 学習用テキストを編集する  画像のリストファイルを作成する（非正解画像の例） NG.txt ＜作業ディレクトリ＞ NG¥image_0001.jpg NG.txt NG¥image_0002.jpg OK.txt NG¥image_0003.jpg NG¥image_0004.jpg NG NG¥image_0005.jpg image_0001.jpg . image_0002.jpg . . image_0003.jpg . OK image_0001.jpg image_0002.jpg image_0003.jpg
  • 32. 学習用テキストを編集する  画像のリストファイルを作成する（正解画像の例） OK.txt ＜作業ディレクトリ＞ OK¥image_0001.jpg 1 120 100 45 45 NG.txt OK¥image_0002.jpg 2 100 200 50 50 50 30 25 25 OK.txt OK¥image_0003.jpg 1 40 55 60 60 OK¥image_0004.jpg 1 104 98 40 40 NG OK¥image_0005.jpg 2 62 70 50 50 120 162 30 30 image_0001.jpg . image_0002.jpg . image_0003.jpg . . OK image_0001.jpg image_0002.jpg ファイル名 物体の位置×物体数 物体数 (x,y,width,height) image_0003.jpg
  • 33. 物体座標の表記 （0, 0） x （X,Y） Heigh t Width y 以下のサイトから、”ObjectMaker”というプロットツールをダウンロード可能！ http://opencv.willowgarage.com/wiki/ObjectDetection “ObjectMarker”を日本語化他、色々と使いやすく改造した物 http://www.hvrl.ics.keio.ac.jp/~takuya/profile_j.html
  • 34. 正解画像データの作成 コマンドラインで“opencv_createsamples”という実 行ファイルを使用して、正解画像を変換する。  ２通りの正解データ作成方法 1. １枚の画像を、歪めたり、回転させたり、色の分布を変える などして、大量の学習データを作成する場合。（ロゴなど）  正直精度悪くてあんまり使えない。 2. 大量の学習画像を集めて、オブジェクトの領域をプロットす る場合。（顔、バイク、車など）
  • 35. 正解画像データの作成 画像ファイルリストから生成する場合 場所： このファイルを次のカス <OpenCV_HOME>/bin/opencv_createsamples” ケード学習時に使用する コマンド例： opencv_createsamples -info OK.txt -vec uiuc_car.vec -num 500 -w 50 -h 20 –show -info: 正解画像リストファイル -vec: 出力データファイル名 -num: 正解画像数 -w: 学習時の画像幅 -h: 学習時の画像高さ -show: 学習画像のGUIによる確認
  • 36. 学習の開始 場所： “<OpenCV_HOME>/bin/opencv_traincascade” コマンド例： opencv_traincascade -data uiuc_car -vec uiuc_car.vec -bg NG.txt -numPos 500 -numNeg 1327 -w 50 -h 20 -numStages 9 -featureType HAAR -mode ALL -data: 作成するファイル名。拡張子に”.xml”が付与される。 -vec: createsamplesで作成した正解画像データ名 -bg: 非正解画像ファイル名 -numPos: 正解画像数 -numNeg:非正解画像数 -w, -h: 画像サイズ。createsamplesで指定したものと同じにする。 -numStages: 作成するステージ数 -featureType: 特徴の型。HAARまたはLBP -mode: Haar-Like特徴の種類を指定
  • 37. 学習の開始 学習の様子 ===== TRAINING 0-stage ===== <BEGIN POS count : consumed 500 : 500 NEG count : acceptanceRatio 1327 : 1 Precalculation time: 44.686 +----+---------+---------+ | N | HR | FA | +----+---------+---------+ | 1| 1| 1| +----+---------+---------+ | 2| 1| 1| +----+---------+---------+ | 3| 1| 1| +----+---------+---------+ | 4| 0.998| 0.517709| +----+---------+---------+ | 5| 0.996| 0.37679| +----+---------+---------+ END>
  • 38. 実験  UIUC Car Datasetを使って車を学習させてみる  正解画像:500枚 非正解画像:500枚  学習画像サイズ100x40  更にCaltech256のclutterデータ827枚を非正解画像として追 加  HAAR特徴は50x20の画像サイズに対し、LBP特徴は100x40 の画像サイズに対して学習 学習画像例 positive negative
  • 41. 結果 特徴量 Recall Precision F-measure HAAR特徴 64% 23% 34% LBP特徴 70% 46% 56%
  • 42. まとめ  OpenCVの物体検出は顔以外にも使える  物体検出の原理の解説  原理を分かっていたほうが、学習パラメータの意味も理解しや すい  OpenCVで検出器を作成する方法の解説  学習画像をたくさん集める必要  createsamplesで正解画像データを作成し、traincascadeで学習 データXMLを生成