Microsoft PowerPoint CRCフォーラム「動的背景差分（中島)」Web公開用.ppt
|
|
|
- みいか とべ
- 6 years ago
- Views:
Transcription
1 第 5 回 ( 平成 26 年度第 2 回 )CRCフォーラム( 平成 26 年 9 月 19 日 ( 金 ) 開催 ) 安全 安心のための画像 映像技術 動的背景差分による移動物体の検出 中島克人教授未来科学部情報メディア学科
2 平成 26 年度東京電機大学第 2 回 CRC フォーラム 安全 安心のための画像 映像技術 動的背景差分法による 移動物体の検出 東京電機大学未来科学部情報メディア学科中島克人
3 目次 差分画像 背景差分法による移動体物体検出 動的な背景画像の推定 実時間物体追跡に適した動的背景推定 背景差分法 ( 事例紹介 ) 国土監視のための動的背景差分法 まとめ 参考文献 1
4 差分画像 差分画像 (subtraction image) 2 枚の画像において, 同じ位置にある画素の差がある閾値よりも小さければ 0( 黒 ), 大きければ 1( 白 ) とする 2 値画像 y 同じ位置にある画素の差 画素 0 時間 t 時間 t に撮影された画像 x 時間 t+δt に撮影された画像 異なる時間に撮影された画像の差分 2
5 背景差分法による移動物体検出 原理 入力画像と予め撮影しておいた背景画像の差分領域 ( 前景 ) に追跡対象物体が存在すると仮定 ( 絞込み ) 差分領域 ( 前景 ) - = 入力画像 背景画像 差分画像 課題 : 入力画像の背景 ( の一部 ) が刻々と変化するとそれらも前景となり, 追跡対象領域を絞りきれない 雲の動き, 木々の揺れ, 水面の波, 日照 ( 照明 ) 変化, 影,... 解決策 : 動的な背景画像の推定 3
6 動的な背景画像の推定 異なる時間に撮影した複数枚の画像から背景画像を推定, または, 移動物体の領域を直接取り出す フレーム間差分法 (frame subtraction method) 時間 t-δt, t, t+δt の 3 枚の画像 (A,B,C) から移動物体領域を取り出す 背景画像 ( 前景の無い画像 ) が不要 課題 Δt に対して移動量が十分大きいことが前提 時間 t-δt の画像 A 動的背景推定 差分法 時間を空けた 3 フレーム以上を利用 背景変化に対応 物体移動速度の制約緩和 時間 t の画像 B 時間 t+δt の画像 C 差分画像 AB 差分画像 BC AND 画像 B における移動物体 フレーム間差分法の原理 [1] 4
7 動的背景推定 推定された背景画像 入力画像 5
8 動的な背景画像の推定 動的背景推定 差分法 一定間隔ごとに記録した複数枚の画像を用いて, 各画素位置で背景らしい画素値を推定し, それと入力画像との差分から移動物体領域を取り出す 差分 N 枚の過去画像 1. 逐次更新法 2. 統計的背景差分法 3. 統計モデル法 4. 中央値法 背景推定 移動物体 ( 進入物 ) 入力画像 6
9 1. 逐次更新法 [2] 動的な背景画像の推定 入力値 A が現在の背景推定値 B と閾値 α 以上異なる場合に, 背景推定値 B を 1 だけ入力値 A に近づける if( 入力値 A- 推定値 B >α ) then 推定値 B=B+1 else if ( 推定値 B - 入力値 A >α ) then 推定値 B=B-1 課題 単純で処理は軽いが, 背景の変動に追随できない場合がある 擬色 ( 実際に入力されていない画素値 ) を推定値としてしまう 7
10 動的な背景画像の推定 2. 統計的背景差分法 [1] 背景の定常的な変動を考慮に入れることにより, 樹木の揺れ等を移動体ではなく背景に分類できる 背景映像を一定フレーム数蓄え, 各画素位置での画素値の統計 ( ヒストグラム= 確率分布 ) を求めておく 背景の画素値分布 画素値 移動物体の画素値の統計 ( ヒストグラム ) も求めて ( 推定して ) おく 移動物体の画素値を推定できない場合は画素値が等確率だとする 入力画像の各画素位置での画素値が背景と移動体のどちらに属する可能性が高いかを,2 つのヒストグラムを用いて判断する 度数 課題 各画素位置でヒストグラムが必要なため膨大なメモリが必要 背景の動的な変動への対応が困難 8
11 動的な背景画像の推定 2. 統計的背景差分法 ( 続 ) 度数 背景画像のあるフレーム 入力画像のあるフレーム 背景の画素値分布 度数 画素値 背景画像 移動物体が通過したシーンの画像 移動物体の画素値分布画素値 度数 背景画像と対象画像の差分画像 統計的背景差分法による検出結果 この入力画素値が観測されたなら背景と推定する 画素値 統計的背景差分法の原理 [1] 9
12 動的な背景画像の推定 3. 統計モデル法 [3,4,5] 各画素位置でのヒストグラムに代えて, その分布を混合ガウス分布でモデル化 [2,3] 課題 混合するガウス分布のパラメータ (μ,σ) は背景と見なす新しい画素値に基づき刻々と更新 混合するガウス分布の数を自動決定するものもある 確率分布 3 つのガウス分布の混合 画素値 各画素位置で混合ガウス分布との比較やモデル更新をするため, 実時間処理に不向き 背景の周期的な変動はそもそも確率分布では扱えない 10
13 動的な背景画像の推定 4. 中央値法 [6,7] 一定期間ごとに蓄積した N フレームの画素値の中央値 (vector median) を背景画素と推定する 入力画像の過去 N フレーム 背景推定 G 色空間 (2 次元での例示 ) R 中央値は他の画素への色距離の合計が最も小さい ( 分布の最も中央の ) 画素値 推定値は実際の値から選ばれるため, 擬色とならない 11
14 4. 中央値法 [6,7] 動的な背景画像の推定 メモリは蓄積フレーム数 (N) 分必要 N フレームの画素値の中央値を求めるため, 処理コストは N 2 のオーダ [6] は RGB 色空間内でのユークリッド距離に基づく中央値を利用 実時間物体追跡に適した動的背景推定 背景差分法 [7] は一様な照明変動に影響を受けにくく, かつ, 実時間処理が可能な動的背景差分法を提案 研究事例紹介 12
15 実時間物体追跡に適した動的背景推定 概要 動的背景推定 背景差分法 [7] 過去 N 枚の画像と現在の背景推定画像 1 枚を元に, 各画素位置で中央値を取り, それを背景推定値とする 中央値を決める際に, 用いる画素値間の距離 ( 類似度 ) を独自に定義 照度変動の影響を受け難い独自定義の色空間内で, その距離に非線形の相互類似度を独自定義 背景差分時にも, 背景推定値と入力画素値の比較に相互類似度を用い, その閾値には, 背景推定時の統計情報を用いる 入力画像の過去 N 枚 背景推定画像 1 枚 相互類似度は各画素位置で計算される 13
16 実時間物体追跡に適した動的背景推定 特徴 動的背景推定 背景差分法 [7] 照度変動の影響を受け難い色空間の定義 前景 ( 移動物体 ) の色の差異の影響を避ける非線形の相互類似度の定義 処理の高速化のために, 複雑な計算を事前計算した表の検索に置き換え 相互類似度を求める際の統計値を用い, 背景差分の閾値を自動調整 入力ノイズの削減にメディアンフィルタと縮小処理を併用 14
17 実時間物体追跡に適した動的背景推定 評価 比較対象 Wren[2] 逐次更新法 動的背景推定 背景差分法 [7] Stauffer[3] 統計モデル法 ( 混合ガウス分布, 混合数固定 ) Zivkovic[4,5] 統計モデル法 ( 混合ガウス分布, 混合数可変 ) Cucchiara[6] 中央値法 McFarlane[8] 複数フレームの平均値を逐次更新 利用プログラム 公開されたベンチマーク用プログラム files/source code/bgs.zip [9] 15
18 実時間物体追跡に適した動的背景推定 背景差分法[7] 評価用動画 背景推定 差分評価用 公開データセット[10,11] 6種類の状況を表現したCG動画 SABS データセット(左 実動画 右 真値) (a) Basic (b) Bootstrap (c) Camouflage (d) Darkening (e) Light Switch (f) Noisy Night 16
19 実時間物体追跡に適した動的背景推定 動的背景推定 背景差分法 [7] 比較指標 Precision Recall 曲線 FF: 前景画素が正しく前景と判断された画素数 FB: 前景画素が背景と判断された画素数 ( 検出ミス ) BF: 背景画素が前景と判断された画素数 ( 誤検出 ) BB: 背景画素が正しく背景と判断された画素数 前景と判断 BF 真の前景 FB FF BB Precision= FF BF + FF Recall = FF FB + FF F measure (F 値 ) F = 2 Precision Precision + Recall Recall 17
20 実時間物体追跡に適した動的背景推定 評価結果 (1/3):Precision Recall 曲線 good 動的背景推定 背景差分法 [7] bad 18
![実時間物体追跡に適した動的背景推定 動的背景推定 背景差分法 [7]](/docs-images/97/133736029/images/21-0.jpg "評価結果 (2/3):Best F measure( 最良 F 値 )")
21 実時間物体追跡に適した動的背景推定 動的背景推定 背景差分法 [7] 評価結果 (2/3):Best F measure( 最良 F 値 ) 19
22 実時間物体追跡に適した動的背景推定 動的背景推定 背景差分法 [7] 評価結果 (3/3): 処理時間 フレームレート換算 24 fps. フレームレート換算 100 fps. 20
23 実時間物体追跡に適した動的背景推定 差分画像例 ((a)basic) 動的背景推定 背景差分法 [7] 動画 (a) Basic 21
![実時間物体追跡に適した動的背景推定 背景差分法[7] 差分画像例](/docs-images/97/133736029/images/24-1.jpg "((c)camouflage) 動画 (c) Camouflage")
24 実時間物体追跡に適した動的背景推定 背景差分法[7] 差分画像例 ((c)camouflage) 動画 (c) Camouflage 22
25 実時間物体追跡に適した動的背景推定 背景差分法[7] 差分画像例 ((d)darkening) 動画 (d) Darkening 23
26 国土監視のための動的背景差分法 想定課題 通年 ( 年中 ) 監視 日照変動, 気象変動, 季節変動 自然物の動き ( 樹木等の風による揺れ, 波, 反射光の変動 ) 人工物の動き ( 観測対象外の車や人や動物等の移動 ) 動的背景差分法による異常検知 ( アイデア ) 監視対象によって蓄積フレーム間隔を調整 移動物体として検知していたものを一時的変動 ( ノイズ ) として除去し, 背景を監視対象として, その変化を監視 色 輝度の変化 : 移動物体 一時的変動 : 監視対象の季節 ( 周期 ) 変動 時間 24
27 国土監視のための動的背景差分法 自然画像の背景差分例 差分 風による草木の揺れ 風による揺れ? 移動物体 25
28 国土監視のための動的背景差分法 自然画像の背景差分例 ( その 2) 差分 波 移動物体 移動物体 26
29 国土監視のための動的背景差分法 監視システム構築上のポイント カメラレンズを汚れから守る必要 可視光カメラによる映像だけでは限界がある ( 夜, 霧, 雪 豪雨 ) ため, 他のセンサーとの連携監視が必要になる可能性大 監視対象に応じた背景更新間隔の設計要 27
30 まとめ 背景差分法による移動物体検出 背景の変動に対応するための動的背景推定法 フレーム間差分 逐次更新法, 統計的背景差分法, 統計モデル法, 中央値法 実時間物体追跡に適した動的背景推定 背景差分法 ( 事例紹介 ) 概要 評価 国土監視のための動的背景差分法 28
31 参考文献 [1] ディジタル画像処理編集委員会, ディジタル画像処理,( 財 ) 画像情報教育振興協会 [2] C.Wren, A.Azarbayejani, D.Trevor and A.Pentland, Pfinder: Real time Tracking of The Human Body, Pattern Analysis and Machine Intelligence, Vol.19, Issue 7, pp , [3] C.Stauffer and W.E.L.Grimson, Adaptive Background Mixture Models for Real time Tracking,Computer Vision and Pattern Recognition (CVPR), Vol.2, pp , [4] Z.Zivkovic, Improved Adaptive Gaussian Mixture Model for Background Subtraction", International Conference Pattern Recognition (ICPR), Vol.2, pp.28 31, [5] Z.Zivkovic and F.van der Heijden, Efficient Adaptive Density Estimation per Image Pixel for The Task of Background Subtraction, Pattern Recognition Letters, vol.27, no.7, pp , [6] R.Cucchiara, G.Constantino, M.Piccardi, and A.Prati, Detecting Moving Objects, Ghosts, and Shadows in Video Streams, Pattern Analysis and Machine Intelligence, pp , [7] 篠崎眞太郎, 中島克人, 実時間物体追跡に適した動的背景推定法と背景差分法, Journal of Japan Society for Fuzzy Theory and Intelligent Informatics 24(2), , [8] N.J.B.McFarlane and C.P.Schofield, Segmentation and Tracking of Piglets in Images, British Machine Vision and Applications, pp , [9] Sources: files/source code/bgs.zip Homepage: [10] S.Brutzer, B.Hoferlin, and G.Heidemann, Evaluation of Background Subtraction Techniques for Video Surveillance, Computer Vision and Pattern Recognition (CVPR), S. pp , [11] Stuttgart Artificial Background Subtraction Dataset(SABS): stuttgart.de/index.php?id 29
3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)
![3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)](/thumbs/68/59204737.jpg "3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)")
(MIRU2012) 2012 8 820-8502 680-4 E-mail: {d kouno,shimada,endo}@pluto.ai.kyutech.ac.jp (1) (2) (3) (4) 4 AdaBoost 1. Kanade [6] CLAFIC [12] EigenFace [10] 1 1 2 1 [7] 3 2 2 (1) (2) (3) (4) 4 4 AdaBoost
す 局所領域 ωk において 線形変換に用いる係数 (ak 画素の係数 (ak bk ) を算出し 入力画像の信号成分を bk ) は次式のコスト関数 E を最小化するように最適化 有さない画素に対して 式 (2) より画素値を算出する される これにより 低解像度な画像から補間によるアップサ E(
IR E-mail: [email protected] Abstract IR RGB ( ) IR IR IR RGB RGB PSNR 1 Time-Of- Flight(TOF)[1] Kinect [2] TOF LED TOF [3] [6] [4][5] 2 [6] RGB ( ) Infrared(IR) IR 2 2.1 1 す 局所領域 ωk において 線形変換に用いる係数 (ak
[1] SBS [2] SBS Random Forests[3] Random Forests ii
![[1] SBS [2] SBS Random Forests[3] Random Forests ii](/thumbs/74/70333192.jpg "[1] SBS [2] SBS Random Forests[3] Random Forests ii")
Random Forests 2013 3 A Graduation Thesis of College of Engineering, Chubu University Proposal of an efficient feature selection using the contribution rate of Random Forests Katsuya Shimazaki [1] SBS
(MIRU2008) HOG Histograms of Oriented Gradients (HOG)
(MIRU2008) 2008 7 HOG - - E-mail: [email protected], {takigu,ariki}@kobe-u.ac.jp Histograms of Oriented Gradients (HOG) HOG Shape Contexts HOG 5.5 Histograms of Oriented Gradients D Human
1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +
![1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +](/thumbs/81/83701592.jpg "1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +")
3 3D 1,a) 1 1 Kinect (X, Y) 3D 3D 1. 2010 Microsoft Kinect for Windows SDK( (Kinect) SDK ) 3D [1], [2] [3] [4] [5] [10] 30fps [10] 3 Kinect 3 Kinect Kinect for Windows SDK 3 Microsoft 3 Kinect for Windows
情報処理学会研究報告 IPSJ SIG Technical Report 背景映像を利用したビデオ映像からの効率的な前景物体抽出法 盛内翔太 藤本忠博 本研究では, 複数のビデオカメラを用いることで, 背景に動く物体が含まれる場合にも, ビデオ映像から前景物体のみを効率的に抽出する手法を提案する.
背景映像を利用したビデオ映像からの効率的な前景物体抽出法 盛内翔太 藤本忠博 本研究では, 複数のビデオカメラを用いることで, 背景に動く物体が含まれる場合にも, ビデオ映像から前景物体のみを効率的に抽出する手法を提案する. 本手法では, 背景のみを撮影する 3~4 台の背景カメラ, ならびに, 背景を含めて前景物体を撮影する 1 台の前景カメラを使用する. 各カメラによる背景映像と前景映像を関連付けるホモグラフィ行列と基礎行列を用いて,
Microsoft PowerPoint - pr_12_template-bs.pptx
12 回パターン検出と画像特徴 テンプレートマッチング 領域分割 画像特徴 テンプレート マッチング 1 テンプレートマッチング ( 図形 画像などの ) 型照合 Template Matching テンプレートと呼ばれる小さな一部の画像領域と同じパターンが画像全体の中に存在するかどうかを調べる方法 画像内にある対象物体の位置検出 物体数のカウント 物体移動の検出などに使われる テンプレートマッチングの計算
色の類似性に基づいた形状特徴量CS-HOGの提案
IS3-04 第 18 回 画 像 センシングシンポジウム, 横 浜, 2012 年 6 月 CS-HOG CS-HOG : Color Similarity-based HOG feature Yuhi Goto, Yuji Yamauchi, Hironobu Fujiyoshi Chubu University E-mail: [email protected] Abstract
PowerPoint プレゼンテーション
空間フィルタリング (spatal lterng) 入力画像の対応する画素値だけではなく その周囲 ( 近傍領域 ) の画素も含めた領域内の画素値を用いて 出力画像の対応する画素値を計算する処理 入力画像出力画像入力画像出力画像 画素ごとの濃淡変換 ( 階調処理 ) 領域に基づく濃淡変換 ( 空間フィルタリング ) 空間フィルタ (spatal lter) 線形フィルタ (lnear lter) w
& 3 3 ' ' (., (Pixel), (Light Intensity) (Random Variable). (Joint Probability). V., V = {,,, V }. i x i x = (x, x,, x V ) T. x i i (State Variable),
.... Deeping and Expansion of Large-Scale Random Fields and Probabilistic Image Processing Kazuyuki Tanaka The mathematical frameworks of probabilistic image processing are formulated by means of Markov
画像工学入門
セグメンテーション 講義内容 閾値法,k-mean 法 領域拡張法 SNAK 法 P タイル法 モード法 P タイル法 画像内で対象物の占める面積 (P パーセント ) があらかじめわかっているとき, 濃度ヒストグラムを作成し, 濃度値の累積分布が全体の P パーセントとなる濃度値を見つけ, この値を閾値とする. モード法 画像の輝度ヒストグラムを調べ その分布のモード ( 頻値輝度 ) 間の谷をしきい値とする
0 21 カラー反射率 slope aspect 図 2.9: 復元結果例 2.4 画像生成技術としての計算フォトグラフィ 3 次元情報を復元することにより, 画像生成 ( レンダリング ) に応用することが可能である. 近年, コンピュータにより, カメラで直接得られない画像を生成する技術分野が生
0 21 カラー反射率 slope aspect 図 2.9: 復元結果例 2.4 画像生成技術としての計算フォトグラフィ 3 次元情報を復元することにより, 画像生成 ( レンダリング ) に応用することが可能である. 近年, コンピュータにより, カメラで直接得られない画像を生成する技術分野が生まれ, コンピューテーショナルフォトグラフィ ( 計算フォトグラフィ ) と呼ばれている.3 次元画像認識技術の計算フォトグラフィへの応用として,
光学
Range Image Sensors Using Active Stereo Methods Kazunori UMEDA and Kenji TERABAYASHI Active stereo methods, which include the traditional light-section method and the talked-about Kinect sensor, are typical
2007/8 Vol. J90 D No. 8 Stauffer [7] 2 2 I 1 I 2 2 (I 1(x),I 2(x)) 2 [13] I 2 = CI 1 (C >0) (I 1,I 2) (I 1,I 2) Field Monitoring Server
![2007/8 Vol. J90 D No. 8 Stauffer [7] 2 2 I 1 I 2 2 (I 1(x),I 2(x)) 2 [13] I 2 = CI 1 (C >0) (I 1,I 2) (I 1,I 2) Field Monitoring Server](/thumbs/91/107223763.jpg "2007/8 Vol. J90 D No. 8 Stauffer [7] 2 2 I 1 I 2 2 (I 1(x),I 2(x)) 2 [13] I 2 = CI 1 (C >0) (I 1,I 2) (I 1,I 2) Field Monitoring Server")
a) Change Detection Using Joint Intensity Histogram Yasuyo KITA a) 2 (0 255) (I 1 (x),i 2 (x)) I 2 = CI 1 (C>0) (I 1,I 2 ) (I 1,I 2 ) 2 1. [1] 2 [2] [3] [5] [6] [8] Intelligent Systems Research Institute,
平成 28 年 6 月 3 日 報道機関各位 東京工業大学広報センター長 岡田 清 カラー画像と近赤外線画像を同時に撮影可能なイメージングシステムを開発 - 次世代画像センシングに向けオリンパスと共同開発 - 要点 可視光と近赤外光を同時に撮像可能な撮像素子の開発 撮像データをリアルタイムで処理する
平成 28 年 6 月 3 日 報道機関各位 東京工業大学広報センター長 岡田 清 カラー画像と近赤外線画像を同時に撮影可能なイメージングシステムを開発 - 次世代画像センシングに向けオリンパスと共同開発 - 要点 可視光と近赤外光を同時に撮像可能な撮像素子の開発 撮像データをリアルタイムで処理する画像処理システムの開発 カラー画像と近赤外線画像を同時に撮影可能なプロトタイプシステムの開発 概要 国立大学法人東京工業大学工学院システム制御系の奥富正敏教授らと
3 Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2]
![3 Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2]](/thumbs/94/118738978.jpg "3 Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2]")
3 E-mail: {akizuki}@isl.sist.chukyo-u.ac.jp Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2] Shape Index [3] [4][5] 3 SHOT [6] [7] Point Pair Feature
(4) ω t(x) = 1 ω min Ω ( (I C (y))) min 0 < ω < C A C = 1 (5) ω (5) t transmission map tmap 1 4(a) 2. 3 2. 2 t 4(a) t tmap RGB 2 (a) RGB (A), (B), (C)
(MIRU2011) 2011 7 890 0065 1 21 40 105-6691 1 1 1 731 3194 3 4 1 338 8570 255 346 8524 1836 1 E-mail: {fukumoto,kawasaki}@ibe.kagoshima-u.ac.jp, [email protected], [email protected],
スライド 1
知能制御システム学 画像追跡 (1) 特徴点の検出と追跡 東北大学大学院情報科学研究科鏡慎吾 swk(at)ic.is.tohoku.ac.jp 2008.07.07 今日の内容 前回までの基本的な画像処理の例を踏まえて, ビジュアルサーボシステムの構成要素となる画像追跡の代表的手法を概説する 画像上の ある点 の追跡 オプティカルフローの拘束式 追跡しやすい点 (Harris オペレータ ) Lucas-Kanade
2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni
![2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni](/thumbs/86/94686225.jpg "2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni")
DEIM Forum 2012 B5-3 606 8510 E-mail: {zhao,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp Web, 1. Web Web TinEye 1 Google 1 http://www.tineye.com/ 1 2. 3. 4. 5. 6. 2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient
DEIM Forum 2012 E Web Extracting Modification of Objec
DEIM Forum 2012 E4-2 670 0092 1 1 12 E-mail: [email protected], {dkitayama,sumiya}@shse.u-hyogo.ac.jp Web Extracting Modification of Objects for Supporting Map Browsing Junki MATSUO, Daisuke
2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC
![2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC](/thumbs/92/108208872.jpg "2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC")
H.264 CABAC 1 1 1 1 1 2, CABAC(Context-based Adaptive Binary Arithmetic Coding) H.264, CABAC, A Parallelization Technology of H.264 CABAC For Real Time Encoder of Moving Picture YUSUKE YATABE 1 HIRONORI
円筒面で利用可能なＡＲマーカ
円筒面で利用可能な AR マーカ AR Marker for Cylindrical Surface 2014 年 11 月 14 日 ( 金 ) 眞鍋佳嗣千葉大学大学院融合科学研究科 マーカベース AR 二次元マーカはカメラ姿勢の推定, 拡張現実等広い研究分野で利用されている 現実の風景 表示される画像 デジタル情報を付加 カメラで撮影し, ディスプレイに表示 使用方法の単純性, 認識の安定性からマーカベース
画像工学入門
ハフ変換 (Hough transform) 図形要素の抽出 画像中から直線や円など, 特定の図形要素を抽出する手法 直線の式 = ax + b b 対象 :2 値画像 (binar image) において x 空間の他に パラメータ空間 ab を考える l = ax ˆ + bˆ 1 x 画像空間 â x 直線 l から ab パラメータ空間への写像 ( aˆ, bˆ) ab パラメータ空間 a
IPSJ SIG Technical Report Vol.2012-CG-149 No.13 Vol.2012-CVIM-184 No /12/4 3 1,a) ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransa
3,a) 3 3 ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransac. DB [] [2] 3 DB Web Web DB Web NTT NTT Media Intelligence Laboratories, - Hikarinooka Yokosuka-Shi, Kanagawa 239-0847 Japan a) [email protected]
(a) 1 (b) 3. Gilbert Pernicka[2] Treibitz Schechner[3] Narasimhan [4] Kim [5] Nayar [6] [7][8][9] 2. X X X [10] [11] L L t L s L = L t + L s
![(a) 1 (b) 3. Gilbert Pernicka[2] Treibitz Schechner[3] Narasimhan [4] Kim [5] Nayar [6] [7][8][9] 2. X X X [10] [11] L L t L s L = L t + L s](/thumbs/75/72066128.jpg "(a) 1 (b) 3. Gilbert Pernicka[2] Treibitz Schechner[3] Narasimhan [4] Kim [5] Nayar [6] [7][8][9] 2. X X X [10] [11] L L t L s L = L t + L s")
1 1 1, Extraction of Transmitted Light using Parallel High-frequency Illumination Kenichiro Tanaka 1 Yasuhiro Mukaigawa 1 Yasushi Yagi 1 Abstract: We propose a new sharpening method of transmitted scene
,,.,.,,.,.,.,.,,.,..,,,, i
22 A person recognition using color information 1110372 2011 2 13 ,,.,.,,.,.,.,.,,.,..,,,, i Abstract A person recognition using color information Tatsumo HOJI Recently, for the purpose of collection of
Microsoft PowerPoint - SPECTPETの原理2012.ppt [互換モード]
![Microsoft PowerPoint - SPECTPETの原理2012.ppt [互換モード]](/thumbs/94/121508518.jpg "Microsoft PowerPoint - SPECTPETの原理2012.ppt [互換モード]")
22 年国家試験解答 1,5 フーリエ変換は線形変換 FFT はデータ数に 2 の累乗数を要求するが DFT は任意のデータ数に対応 123I-IMP Brain SPECT FBP with Ramp filter 123I-IMP Brain SPECT FBP with Shepp&Logan filter 99mTc-MIBI Myocardial SPECT における ストリークアーチファクト
情報処理学会研究報告 IPSJ SIG Technical Report Vol.2013-CVIM-188 No /9/3 BRDF i
BRDF E-mail: {yoshie,ki}@cvl.iis.u-tokyo.ac.jp, [email protected], [email protected], [email protected] 2 CG 1 BRDF 1. (BRDF) BRDF Lambert Oren-Nayar [1] Phong [2] Blinn [3] Ward
2 4 2 3 4 3 [12] 2 3 4 5 1 1 [5, 6, 7] [5, 6] [7] 1 [8] 1 1 [9] 1 [10, 11] [10] [11] 1 [13, 14] [13] [14] [13, 14] [10, 11, 13, 14] 1 [12]
![2 4 2 3 4 3 [12] 2 3 4 5 1 1 [5, 6, 7] [5, 6] [7] 1 [8] 1 1 [9] 1 [10, 11] [10] [11] 1 [13, 14] [13] [14] [13, 14] [10, 11, 13, 14] 1 [12]](/thumbs/39/20193688.jpg "2 4 2 3 4 3 [12] 2 3 4 5 1 1 [5, 6, 7] [5, 6] [7] 1 [8] 1 1 [9] 1 [10, 11] [10] [11] 1 [13, 14] [13] [14] [13, 14] [10, 11, 13, 14] 1 [12]")
Walking Person Recognition by Matching Video Fragments Masashi Nishiyama, Mayumi Yuasa, Tomokazu Wakasugi, Tomoyuki Shibata, Osamu Yamaguchi ( ), Corporate Research and Development Center, TOSHIBA Corporation
画像類似度測定の初歩的な手法の検証
画像類似度測定の初歩的な手法の検証 島根大学総合理工学部数理 情報システム学科 計算機科学講座田中研究室 S539 森瀧昌志 1 目次 第 1 章序論第 章画像間類似度測定の初歩的な手法について.1 A. 画素値の平均を用いる手法.. 画素値のヒストグラムを用いる手法.3 C. 相関係数を用いる手法.4 D. 解像度を合わせる手法.5 E. 振れ幅のヒストグラムを用いる手法.6 F. 周波数ごとの振れ幅を比較する手法第
TC1-31st Fuzzy System Symposium (Chofu, September -, 15) cremental Neural Networ (SOINN) [5] Enhanced SOINN (ESOINN) [] ESOINN GNG Deng Evolving Self-
![TC1-31st Fuzzy System Symposium (Chofu, September -, 15) cremental Neural Networ (SOINN) [5] Enhanced SOINN (ESOINN) [] ESOINN GNG Deng Evolving Self-](/thumbs/78/78095837.jpg "TC1-31st Fuzzy System Symposium (Chofu, September -, 15) cremental Neural Networ (SOINN) [5] Enhanced SOINN (ESOINN) [] ESOINN GNG Deng Evolving Self-")
TC1-31st Fuzzy System Symposium (Chofu, September -, 15) Proposing a Growing Self-Organizing Map Based on a Learning Theory of a Gaussian Mixture Model Kazuhiro Tounaga National Fisheries University Abstract:
Automatic Collection of Web Video Shots Corresponding to Specific Actions using Web Images
視覚特徴およびタグ共起を用いた 大規模 Web ビデオショットランキング 電気通信大学大学院情報理工学研究科 総合情報学専攻 Do Hang Nga 柳井啓司 背景 Web 動画 : 無限に存在 無料で取得可能 - YouTube, Daily Motion etc. Web 動画による動作データ収集 ただし Web 上の動画はノイズが多い 関連動画 Play trumpet 非関連動画 非対応ショット
Microsoft Word - 卒論レジュメ_最終_.doc
指紋認証のマニューシャ抽出について 澤見研究室 I02I036 兼信雄一 I02I093 柳楽和信 I02I142 吉田寛孝 1. はじめに近年, キャッシュカードや暗証番号が盗用され, 現金が引き出されるような事件が相次いでいる. これらの対向策として人間の体の一部を認証の鍵として利用する生体認証に注目が集まっている. そこで我々は, 生体認証で最も歴史がある指紋認証技術に着目した. 指紋認証方式は,2
SNC-HM662 EdgeStorage manual J
ネットワークカメラ SNC-HM662 Edge Storage マニュアル ~SD / microsd で映像録画 再生 ~ 目次 1. Edge Strage 機能について 1-1. Edge Storage 機能とは 1-2. Edge Storage 機能を使用する上での注意点 1-3. 使用可能なメモリーカード 2. Edge Storage 機能使用時の推奨設定 3. Edge Storage
l10
ノイズ除去と画像の強調 画質改善 第4章 pp.101~136 入力画像にはさまざまな 雑音 と 歪み が含まれている 画質劣化 の要因を取り除く 画像を見やすくする 有用な情報を抽出しやすく強調する ことは 画像処理の最も重要な役割の一つ 目的 人間にとって見やすい画像を作る 画像の解析や認識にとって 特徴抽出が容易に行えるための 前処理 preprocessing) ノイズ除去と画像の強調 ノイズ除去と画像の強調
Kumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷
熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI プロジェクト @ 宮崎県美郷町 熊本大学副島慶人川村諒 1 実験の目的 従来 信号の受信電波強度 (RSSI:RecevedSgnal StrengthIndcator) により 対象の位置を推定する手法として 無線 LAN の AP(AccessPont) から受信する信号の減衰量をもとに位置を推定する手法が多く検討されている
福岡大学人文論叢47-3
679 pp. 1 680 2 681 pp. 3 682 4 683 5 684 pp. 6 685 7 686 8 687 9 688 pp. b 10 689 11 690 12 691 13 692 pp. 14 693 15 694 a b 16 695 a b 17 696 a 18 697 B 19 698 A B B B A B B A A 20 699 pp. 21 700 pp.
Raspberry Pi BF BF BF Raspberry Pi PC USB HDMI OS SD SD OS Raspberry Pi Model B MicroUSB MicroSD OS SD GPIO HDMI USB LAN Raspberry Pi MicroUSB MicroSD
Raspberry Pi Arduino Arduino Raspberry Pi Arduino URL Raspberry Pi HDMI USB SD https://www.raspberrypi.org/ Python, Scratch Arduino PC USB https://www.arduino.cc/ Arduino SDK Processing Kinect for Windows,
Microsoft PowerPoint - CV04.ppt [互換モード]
![Microsoft PowerPoint - CV04.ppt [互換モード]](/thumbs/101/149709049.jpg "Microsoft PowerPoint - CV04.ppt [互換モード]")
コンピュータビジョン特論 Advanced Computer Vision 第 4 回 画像特徴 ( 点 直線 領域 ) の検出と識別 -1 画質の改善エッジの検出 濃度ヒストグラム (Histogram) 画素数 8 6 4 2 濃度ヒストグラム (Histogram) は 画像の濃度値を横軸に その濃度値を持つ画素数を縦軸に取った ヒストグラム 19 38 57 76 95 114 133 152
Microsoft Word doc
. 正規線形モデルのベイズ推定翠川 大竹距離減衰式 (PGA(Midorikawa, S., and Ohtake, Y. (, Attenuation relationships of peak ground acceleration and velocity considering attenuation characteristics for shallow and deeper earthquakes,
コンピュータグラフィックス第8回
コンピュータグラフィックス 第 8 回 レンダリング技法 1 ~ 基礎と概要, 隠面消去 ~ 理工学部 兼任講師藤堂英樹 レポート提出状況 課題 1 の選択が多い (STAND BY ME ドラえもん ) 体験演習型 ( 課題 3, 課題 4) の選択も多い 内訳 課題 1 課題 2 課題 3 課題 4 課題 5 2014/11/24 コンピュータグラフィックス 2 次回レポートの体験演習型 メタセコイア,
140 120 100 80 60 40 20 0 115 107 102 99 95 97 95 97 98 100 64 72 37 60 50 53 50 36 32 18 H18 H19 H20 H21 H22 H23 H24 H25 H26 H27 1 100 () 80 60 40 20 0 1 19 16 10 11 6 8 9 5 10 35 76 83 73 68 46 44 H11
1007.\1.ai
- 1 - B - 2 - e - 3 - F O f g e f - 4 - O O N N N N N N N N N N N N N N N N N N N N N N N F C - 5 - N N N N N N N N N N N N N N N N N N N N N N N F - 6 - D - 7 - - 8 - - 9 - - 10 - - 11 - - 12 - - 13 -
JAPAN MARKETING JOURNAL 110 Vol.28 No.22008
Vol.28 No.22008 JAPAN MARKETING JOURNAL 110 Vol.28 No.22008 JAPAN MARKETING JOURNAL 110 Vol.28 No.22008 JAPAN MARKETING JOURNAL 110 Vol.28 No.22008 JAPAN MARKETING JOURNAL 110 Vol.28 No.22008 JAPAN MARKETING
画像参照画像送り 5 画像下部に再生ボタンが表示されます 再生ボタンをクリックすると 自動コマ送りされます 1
画像参照画像送り 画像参照の画像送り方法について説明します 画像上にカーソルを表示した状態で マウスのホイールボタンでスクロールする またはマウスの左ボタンで上下にドラックすると アクティブなシリーズの画像送りができます 1 カルテ タブや 画像 レポート タブから 画像アイコンをクリックします 画像が表示されます 3 画像が切り替わって表示されます シリーズの位置はバー上の で表示されます 2 画像上にカーソルを表示した状態で
(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1
![(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1](/thumbs/49/25651654.jpg "(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. fnirs Kai Kunze 599 8531 1 1 223 8526 4 1 1 E-mail: [email protected], [email protected],
(3.6 ) (4.6 ) 2. [3], [6], [12] [7] [2], [5], [11] [14] [9] [8] [10] (1) Voodoo 3 : 3 Voodoo[1] 3 ( 3D ) (2) : Voodoo 3D (3) : 3D (Welc
![(3.6 ) (4.6 ) 2. [3], [6], [12] [7] [2], [5], [11] [14] [9] [8] [10] (1) Voodoo 3 : 3 Voodoo[1] 3 ( 3D ) (2) : Voodoo 3D (3) : 3D (Welc](/thumbs/65/54056306.jpg "(3.6 ) (4.6 ) 2. [3], [6], [12] [7] [2], [5], [11] [14] [9] [8] [10] (1) Voodoo 3 : 3 Voodoo[1] 3 ( 3D ) (2) : Voodoo 3D (3) : 3D (Welc")
1,a) 1,b) Obstacle Detection from Monocular On-Vehicle Camera in units of Delaunay Triangles Abstract: An algorithm to detect obstacles by using a monocular on-vehicle video camera is developed. Since
動体検知によるメール送信イベントの設定方法（ファームウェアⅴ7.1ⅹ以上）
はじめに 本ドキュメントでは AXIS ネットワークカメラのファームウェアバージョン 7.1x 以降で 動体検知があ った際にメールを任意のアドレスに送信する為の設定手順を説明します 設定手順手順 1:AXIS ネットワークカメラの設定ページにアクセスする 1. Chrome ブラウザなどの推奨ブラウザを起動します 2. Web ブラウザの URL 入力欄に お使いの AXIS ネットワークカメラの
「霧」や「もや」などをクリアにする高速画像処理技術
Fas Single-Image Defogging 谭志明 白向晖 王炳融 東明浩 あらまし CPU GPU720 48050 fps Absrac Bad weaher condiions such as fog, haze, and dus ofen reduce he performance of oudoor cameras. In order o improve he visibiliy
パーティクルフィルタとカルマンフィルタを補完的に利用したバドミントン映像からのシャトル軌道推定
O6-1 パーティクルフィルタとカルマンフィルタを補完的に利用した バドミントン映像からのシャトル軌道推定 宍戸 英彦, 北原 格, 亀田 能成, 大田 友一 Hidehiko SHISHIDO Itaru KITAHARA Yoshinari KAMEDA and Yuichi OHTA : 筑波大学大学院システム情報工学研究科,[email protected] :
統計学 - 社会統計の基礎 - 正規分布 標準正規分布累積分布関数の逆関数 t 分布正規分布に従うサンプルの平均の信頼区間 担当 : 岸 康人 資料ページ :
統計学 - 社会統計の基礎 - 正規分布 標準正規分布累積分布関数の逆関数 t 分布正規分布に従うサンプルの平均の信頼区間 担当 : 岸 康人 資料ページ : https://goo.gl/qw1djw 正規分布 ( 復習 ) 正規分布 (Normal Distribution)N (μ, σ 2 ) 別名 : ガウス分布 (Gaussian Distribution) 密度関数 Excel:= NORM.DIST
GID Haar-like Mean-Shift Multi-Viewpoint Human Tracking Based on Face Detection Using Haar-like Features and Mean-Shift Yu Ito (Shizuoka Univers
GID-08-6 Haar-like Mean-Shift Multi-Viewpoint Human Tracking Based on Face Detection Using Haar-like Features and Mean-Shift Yu Ito (Shizuoka University), Atsushi Yamashita, Toru Kaneko (Shizuoka University)
Microsoft PowerPoint - comprog11.pptx
Outline プログラミング演習第 回エッジを検出する on 3..4 電気通信大学情報理工学部知能機械工学科長井隆行 画像の本質 輝度の境目に情報あり! 画像の微分と 階微分 エッジ検出 画像をぼかす 本日の課題 画像の本質 エッジ抽出 画像の情報は境目にあり! エッジ 輝度が大きく変化しているところ ( 境界 ) 画像の情報はエッジにあり 輝度 人間の視覚系でも特定のエッジの方向に発火するニューロンが見つかっている
WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp
![WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp](/thumbs/91/107555259.jpg "WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp")
Query-by-Dancing: WISS 2018. Query-by-Dancing Query-by-Dancing 1 OpenPose [1] Copyright is held by the author(s). DJ DJ DJ WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias
ZoomBrowser EX Ver5.7 使用説明書（Windows）
Canon Utilities ZoomBrowser EX 5.7 RAW Image Task. PhotoStitch. EOS-D Mark II N EOS-Ds Mark II EOS-D Mark II EOS-Ds EOS-D EOS 5D EOS 0D EOS 0D EOS 0D EOS Kiss Digital X EOS Kiss Digital N EOS Kiss Digital
IPSJ SIG Technical Report Vol.2013-CG-153 No.14 Vol.2013-CVIM-189 No /11/29 1,a) 1,b) 1,c) 1,d) ROI(Region of Interest) Research for Automatic
1,a) 1,b) 1,c) 1,d) ROI(Region of Interest) Research for Automatic Tennis Play Recognition and Recording Based on Motion Analysis Chihiro Antoku 1,a) Masayuki Kashima 1,b) Kiminori Sato 1,c) Mutsumi Watanabe
1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -
![1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -](/thumbs/89/100816452.jpg "1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -")
Vol216-CVIM-22 No18 216/5/12 1 1 1 Structure from Motion - 1 8% Tobii Pro TX3 NAC EMR ACTUS Eye Tribe Tobii Pro Glass NAC EMR-9 Pupil Headset Ville [1] EMR-9 [2] 1 Osaka University Gaze Head Eye (a) deg