JP2022531828A - 手動作の対称性の認識方法及びシステム - Google Patents

Abstract

本開示は、ほとんどの人体及び動物体に固有の対称性を利用する非対称（例えば、左手及び右手の）動作の動作認識システムについて記載する。具体的には１）手の動作のみを認識するが、２回推定を行い、うち１回は入力を反転させて、左右両方の手の動作を識別する人の動作認識システム、及び２）全ての訓練インスタンス（及び関連するラベル）を左手の動作にみえるよう反転させて、左右の手の動作間の訓練データセットの均衡をとる、前記システムの学習に基づく実装を行うための訓練方法について説明する。

Description

本開示は、コンピュータを使用した動作の認識システム及び方法に関する。具体的には、左右非対称動作の認識に関する。

映像データ中の人の動作（手を振る、走るなど）を検出する深層学習を用いた方法が提案されている。人の動作の多くは左右非対称（手を振る、ボールを蹴るなど）であるが、身体の両側で等しく行うことができる。左右の手が行う所与の動作を区別し、各々を別個のクラスとして判断することのできる動作の認識方法は、応用範囲が広い。例えば、サッカー分析への適用方法においては、左足又は右足でシュートするプレーヤーを区別することが重要であり得る。

さらに、この種の動作認識は、人以外の動物、ロボット又はあらゆる対称な動作主体により広く応用することができる。例えば、動物研究において、動物が主にその左側又は右側で行う非対称動作を区別することのできるシステムがあると有用であり得る。

しかしながら、動作認識システムに両手の動作を区別させると、予測可能なクラスの数が実質的に２倍となり、動作認識システム、さらには学習ベースのシステムの訓練データベース及び訓練手順が複雑化し、費用が増加し得る。

学習ベースのシステムについて生じている別の問題は、大方左利きの人と大方右利きの人の不均衡な人口分布に起因している。訓練された学習ベースの分類器は、データベース内のクラスの分布の影響を受け得る。しかしながら、公開データから大規模な訓練データセットをサンプリングするのは一般的に行われており、また、人口の大部分が右利きであることが分かっている。したがって、左右の手の動作が同程度の精度で認識されるのが望ましいものの、特にデータセットが公開データからサンプリングされている場合には、左右の手の動作事例が同数となっている訓練データセットを取得するのは困難なことがある。

したがって、対称動作及び非対称動作を認識する際の改善が望まれる。

本開示においては、殆どの人体及び動物体に固有の左右の鏡面対称性を利用した、（例えば、左右の手の）左右非対称動作の動作認識システムについて説明する。具体的には、１）一方の利き手動作（例えば、左手動作）のみを認識するが、２回推測を行い、うち１回は入力を左右反転させて左右の手の動作を識別する動作認識システムと、２）全ての訓練インスタンス（及び関連するラベル）を左手動作にみえるよう反転させて、左右の手の動作間の訓練データセットの均衡をとる、前述のシステムを学習に基づき実装するための訓練方法を説明する。

図１は、動作認識システムのブロック図である。 図２は、動作認識システムの使用事例の実施形態の概略図である。 図３は、左手動作分類器の実施形態の概略図である。

＜動作認識システム＞
動作認識システム１０は、キャプチャ装置２０、該キャプチャ装置の入力を左右反転させる変換モジュール３０、手動作分類器４０、及び左手動作分類器５０から得られた動作クラス出力の左右反転を行うモジュールからなる。動作認識システムは、反転された入力及び反転されていない入力の両方から情報が与えられた最終的な１つ以上の動作クラスを決定するクラスアグリゲータコンポーネント６０も含むことができる。

動作クラスは、ある時間的尺度（例えば、実行中の動作の静止画像、まばたきのような短時間のジェスチャー、ゴルフのような長時間の動作）における、ある行為主体（人や動物など）による、特定の動作又は複数の関連動作（例えば、「手を振る」は、様々な異なる速度のいずれかで及び／若しくは多くの異なる様式のいずれかで手を振ることをいう。）である。「なし」、「デフォルト」又は「休止」などの動作クラスは、関連動作がないことを示す。複数の有効な動作クラス及び動作クラスの表示は、動作認識システムの適用方法及び該システムの特定の実施形態により異なることがある。

動作クラスは、該動作が、通常、左右非対称に行われる場合には、（左又は右の）利き手と関連付けることができる。該動作は、片手又は身体の片側だけで行う必要はなく、左右対称に実施される動作と区別するために、身体の優位側又は利き側などにより、左利き又は右利きとして適切に分類される。左右対称に実施される動作を示す動作クラスは、左右の手の動作クラスが同一の動作又は複数の動作を示す非対称動作クラスの特別な場合であるとみなすことができる。例えば、頭をうなずくのは、左右の動作クラスが不要な動作であってもよい。同様に、分類器の適用方法の中には、左右いずれの手の動作であるかは問題とならないことがある。例えば、「自動車の運転」については、運転者が右手、左手又は両手のいずれでハンドルを握っているかは問題とはならないことがある。

キャプチャ装置２０のデータは、動作クラス又は複数のクラス確率を推定することのできる手動作分類器４０に送られ、その後、クラスアグリゲータモジュールに送信されて、出力された１つ以上の動作クラス６０を決定する。キャプチャ装置のデータは、左右反転などの変換モジュール３０に送信することもできる。キャプチャ装置２０の動作データは、左右反転変換モジュール及び手動作分類器４０に、同時に又は順次（順番を問わない。）送信されてもよい。変換モジュール３０は、手動作分類器４０が手動作クラス又は複数のクラス確率を推定する前に入力データについて左右反転変換を行うことができる。反転された入力データの１つ以上の動作クラスは、更に左右反転５０（すなわち、左手クラスから右手クラスへ）が行われ、２つ目の入力としてクラスアグリゲータモジュール６０に送信してもよく、これにより、２つの入力に与えられる最終動作クラス又は複数のクラスを決定することができる。

以下、これらの各構成要素について詳細に説明する。

キャプチャ装置２０は、動作データにアクセスし、これを捕捉し又は受け取るためのシステム又は装置により具現化することができる。例えば、動作データには、画像、映像ファイル、ウェブカメラなどのライブ映像データ、ビデオストリーミングクライアント、人体ポーズ推定システム又は動作捕捉システムを含めることができる。動作データは、空間的にコヒーレントな方法で、人その他関連行為主体（例えば、動物やアンドロイド）を示すことができるのが好ましい。例として、動作データには、映像の１つ以上の画像フレーム、深度カメラの深度値の画像、及び／又は２Ｄ若しくは３Ｄ骨格／マーカポイントを含めることができる。該動作データは、一連のフレームのような時間的なものであってもよいし、単一フレームのような時間に影響されないものであってもよい。

変換モジュール３０は、キャプチャ装置から入力データを受け取り、その後該データに対して左右（平行）反転変換を行うことができる。変換の正確な形式は、キャプチャ装置から提供されるデータ形式（例えば、画像データ 対 スケルトンデータ）により異なるが、結果として、動作データが左右に反転されて、該動作データ中の左側の事象や動作が右側に変換され、その逆も同様に行われる。

例えば、変換モジュール３０は、対象者の骨格関節を示す一連のキーポイントを、０から１の範囲で正規化されたＸ座標及びＹ座標の配列として受け取ることができる。この場合、左右反転モジュールは、各関節のＸ座標を１－Ｘとして反転し、Ｙ座標を変更せずにおいてもよい。動作データが映像又は画像である場合、左右反転モジュールは、鏡像変換によりデータを変換することができる。

入力データ及び訓練データにおいて他の予想される非対称性及び対称性を有する適用例では、別の変換を用いることができる。例えば、適用例により、垂直に対称な場合には、左右反転モジュールの代わりに、垂直反転モジュールを変換モジュールとして使用することができる。同様に、時間的動作データについては、変換モジュールは、適用例に順方向／逆方向の時間対称性がある場合、動作データを逆時間順に並べ替えることができる。変換モジュールは１つ以上の変換を行うことができ、適用例によっては、動作クラスにより多くの動作が含まれる場合、複数の変換モジュールを並列及び順番に使用することができる。たとえば、左右反転モジュールと垂直反転モジュールの両方を使用すると、動作は、左手動作として、かつ、上下逆に推測されることがある。

手動作分類器４０は、反転された又は反転されていない入力動作データを受け取り、一方の利き手についての推定動作クラス又は複数のクラス確率を出力することができる。

手動作分類器４０は、左手動作を識別することができ、又は右手動作も同様に識別することができる。上述したとおり、左手動作クラスは、必ずしも左手のみで行われた動作を示すものではなく、非対称的に実施され、右手動作と区別するために左手動作とみなされる動作もある。例えば、テニス映像の分析向けに設計された左手動作分類器は、プレーヤーの左手で行われたとみなされたときに限りフォアハンドストロークを認識し、それ以外の場合は、動作のないクラスを出力する。

単一の手動作分類器４０が示されているが、実施形態において、第１分類器が非反転入力動作データを、第２分類器が反転入力動作データを受け取る２つの手動作分類器があってもよい。１つの手動作分類器を使用する場合、反転された入力動作データ及び反転されていない入力動作データの両方を同時、ただし別個に又は順番に処理して、反転された入力動作データ及び反転されていない入力動作データ各々の動作クラスを個別に推定することができる。一実施形態では、手動作分類器が一度メモリにロードされると、フレームは、一回は反転されずに、一回は反転されて分類器を通過する。

手動作分類器は、畳み込みニューラルネットワークを使用した分類器、決定木、サポートベクトルマシン又は自前の分類器などの分類器により実装してもよい。手動作分類器は、キャプチャ装置から入力データを受け取り、１つの動作クラス又は複数のクラス確率を出力することができる。分類器は、再帰型ニューラルネットワーク（ＲＮＮ）を使用するなどにより、時間情報（ある場合。）を使用することができる。

図３を参照すると、例えば、左手動作分類器は、反転された及び反転されていないジョイント座標を入力として受け取り、一連の全結合層、活性化層（例えば、正規化線形ユニット層）、ＬＳＴＭ層及びソフトマックス層を含む長短期記憶（ＬＳＴＭ）ＲＮＮとして実装してもよい。

図３を参照すると、一実施形態では、左手動作分類器は、人の２Ｄ関節位置を入力として受け取り、推定動作クラスのｏｎｅ－ｈｏｔベクトル表現を出力する長短期記憶（ＬＳＴＭ）ニューラルネットワークとして実装される。すなわち、出力ベクトルにおいて、出力ベクトル中の推定クラスに対応する１つの要素は高い値を有する。この実施形態の分類器では、入力２Ｄ関節位置は、先ず［０，１］座標空間３２０に正規化され、次に、出力クラス３４０を計算するソフトマックス層３３０に伝達される前に、一連の積み重ねられた全結合層、制限付き線形ユニット（ＲｅＬｕ）層及びＬＳＴＭ層に伝達されてもよい。全結合層及びＬＳＴＭ層は、分類された動作データのデータベース上で訓練により学習された訓練可能な重みによりパラメータ化され得る。

左右クラス反転モジュール５０は、手動作分類器から、反転された入力データ上で推定された一方の利き手の動作クラス又は複数の動作クラス確率を受け取ることができ、反対の手の対応する動作クラス又は複数のクラス確率を生成することができる。一例として、左手動作分類器により推定された左手動作クラスが「左手を振る」の場合、左右クラス反転モジュール５０は「右手を振る」を生成し、クラスアグリゲータモジュール６０にこれを伝達することができる。左右クラス反転モジュールと呼ばれているが、クラス反転モジュール５０は、適用例、及び変換モジュールにより行われる変換に応じて、クラスを垂直に、順方向／逆方向に、又はその他変換を反転させることができる。

クラスアグリゲータモジュール６０は、反転された入力データ及び反転されていない入力データについて推定する動作分類器の結果から左右の手の動作クラス又はクラス確率を受け取ることができ、１つのクラス又は複数のクラス確率（例えば、いずれの入力によっても動作が認識されない場合には「なし」、いずれかの入力により認識される場合には「なし」ではないクラス、及びいずれの入力も「なし」ではない又は結合クラスである場合には何らかの規則により選択される１つの動作クラス）を生成することができる。例として、クラスアグリゲータモジュール６０への入力が、反転されていない入力データについて「なし」であり、左右クラス反転モジュール５０からは「右手を振る」の場合、クラスアグリゲータモジュール６０は、出力クラスとして「左手を振る」を生成してもよい。同様に、クラスアグリゲータモジュール６０への入力が、反転されていない入力データについて「左手を振る」であり、左右クラス反転モジュール５０からは「なし」の場合、クラスアグリゲータモジュール６０は、出力クラスとして「左手を振る」を生成してもよい。クラスアグリゲータモジュール６０への入力が、反転されていない入力データについて「左手を振る」であり、反転された入力データについて「右手を振る」である場合、クラスアグリゲータモジュール６０は、「両手を振る」などの１つのアグリゲートクラスを、又は使用事例の要件が片手クラスのみ、若しくは「左手を振る」や「右手を振る」などの複数のクラスの識別を要求する場合には、「右手を振る」などの１つのクラスを生成してもよい。

使用事例の要件に応じて、一実施形態では、クラスアグリゲータモジュール６０が代わりに複数のクラスを生成してもよい。例えば、クラスアグリゲータは、「なし」ではない入力クラスを出力として生成するだけでよいため、入力に応じて様々な数の出力を出力することができる。

クラスアグリゲータへの入力が、手動作分類器４０及び左右反転クラスモジュール５０から得られた複数のクラス確率である場合、一実施形態では、出力は１つの最も蓋然性の高いクラス、又は左右両方のクラスの一連のクラス確率の組合わせとすることができる。

説明をした該システムモジュールは、別個のソフトウェアモジュール、別個のハードウェアユニット又は１つ以上のソフトウェア若しくはハードウェアコンポーネントの一部であってもよい。例えば、ソフトウェアモジュールは、Ｃａｆｆｅ、ＴｅｎｓｏｒＦｌｏｗ又はＴｏｒｃｈのソフトウェアを使用して作成され、適切なモジュールを用いてＰｙｔｈｏｎプログラミング言語、Ｃ＋＋又はＣ＃のようなコンピュータ言語で書かれた命令からなり、ＣＰＵやＧＰＵのようなコンピュータハードウェア上で又はＦＰＧＡ上に実装され、実行される。該システムは、デスクトップ、携帯電話その他ソフトウェアや動作データを保持するのに適したメモリを含む組込みシステムの一部などのプラットフォーム上で実行することができる。該システムは、キャプチャ装置と一体化させてもよく、又はこれに接続してもよい。

図２を参照すると、一例では、樹木２１０上の装飾品に手を伸ばしている人を映した映像のフレームが、キャプチャ装置により示されている。キャプチャ装置により提供され得る入力データの追加的形式又は代替形式の例として、関節及び骨格（青色）並びに当該者の手の周りの境界ボックス（赤紫色）が、フレーム上に重ねて表示されている。原フレーム画像２１０及び左右反転フレーム画像２２０は、左手動作分類器２３０に伝送される。左手動作分類器２３０は、当該者の左腕が伸びているようにみえる、反転入力における「伸長」動作クラス２５０を認識する。右腕が伸びているようにみえる原入力を用いて、左手動作分類器２３０は、「なし」動作クラス２４０を生成する。この例では、クラスアグリゲータ２６０は、「伸長」動作が反転入力においてのみ検出されたと仮定して、結果として得られる出力クラスは、「右手の伸長」であると判断する。
＜訓練方法＞

手動作分類器４０が、ある機械学習を用いたモジュールとして実装される望ましい事例では、これを、動作データのクラス分けされたデータベース上で訓練する必要のある訓練可能な重みによりパラメータ化してもよい。この場合、訓練動作データは、キャプチャ装置により提供されるものと同じフォーマットである。

該実施形態では、以下の訓練手順を使用することができる。右手動作を示すクラスラベルを有する訓練インスタンスの場合、クラスラベルは、反転させて、対応する左手動作ラベル及びスケルトンデータや映像フレームデータなどの関連インスタンス動作データを示してもよく、また、左右に反転させて、右手動作が左手動作にみえるようにしてもよい。これら変換を実行すると、左手クラスラベル及び正しく対応するインスタンス動作データのみを有する訓練データセットが生成される。手動作分類器４０は、該変換された訓練データセット上で訓練され、左手動作のみを認識するよう学習してもよい。

上記手順においては、左手動作のみでデータセットを生成する方法を説明しているが、同様の方法を用いて、右手動作のみでデータセットを作成することもできる。いずれの場合も、手動作分類器４０は、一方の利き手の例示的な動作のみを含むデータセット上で訓練することができる。

訓練は、ＧＰＵハードウェア（又はＣＰＵハードウェア、ＦＰＧＡなど）といった適切なハードウェアを使用し、Ｃａｆｆｅ（又はＴｅｎｓｏｒＦｌｏｗ、Ｔｏｒｃｈ）などの適切な訓練フレームワークにおいて、バックプロパゲーションアルゴリズム（又は他の適切な学習アルゴリズム）を用いて、公開されているデータセット（例えば、ＭＰＩＩ、ＵＦＣ１０１）その他訓練データセット（例えば、社内で捕捉された及び／又は注釈付きのデータセット）上で実行することができる。

上記の本発明の実施形態は例示にすぎない。本開示から逸脱することなく変更や修正を行い得ることは、当業者には明白である。本開示には、添付の特許請求の範囲に含まれる全ての変更及び修正が含まれる。

Claims (20)

1. 動作データを捕捉するキャプチャ装置と、
   前記キャプチャ装置から前記動作データを受け取り、対称変換を使用して前記動作データを変換する変換モジュールと、
   受け取った特定の対称性のある動作データを使用して動作を識別し、推定動作クラス又は複数のクラス確率を出力する動作分類器と、
   前記変換モジュールにより変換された動作データを使用する前記動作分類器から推定動作クラス又はクラス確率を受け取り、対称変換に対応する変換を使用して動作クラスを反転させ、反転された推定動作クラスを生成するクラス反転モジュールと、
   前記反転された推定動作クラス、および、前記キャプチャ装置からの動作データを使用する動作分類器から推定動作クラスを受け取り、支配的である動作クラス、又は複数のクラス確率の組合わせに基づいて出力動作クラスを生成するクラスアグリゲータと、
   を備える動作分類器システム。
2. 前記変換モジュールは、左右反転変換モジュールであり、前記クラス反転モジュールは、左右クラス反転モジュールである、請求項１に記載の動作分類器システム。
3. 前記左右反転モジュールは、前記動作データの各ｘ座標を反転させて前記動作データを変換する、請求項２に記載の動作分類器システム。
4. 前記左右クラス反転モジュールは、右手動作を左手動作に及びその逆に反転させる、請求項２又は３に記載の動作分類器システム。
5. 前記クラスアグリゲータは、前記動作クラス又は前記反転された推定動作クラスのクラス確率及び前記推定動作クラスの組合わせを含む出力を生成する、請求項１に記載の動作分類器システム。
6. 前記クラスアグリゲータは、前記反転された推定動作クラスと、デフォルトクラス以外の推定動作クラスとの組合せを含む出力を生成する、請求項１に記載の動作分類器システム。
7. 前記動作データは、人の骨格データである、請求項１から６までのいずれか１項に記載の動作分類器システム。
8. 人の前記骨格データは、一定期間にわたる骨格関節のＸ座標及びＹ座標の配列を含む、請求項７に記載の動作分類器システム。
9. 前記動作データは、骨格キーポイント、画像又は映像である、請求項１から６までのいずれか１項に記載の動作分類器システム。
10. 動作を分類する方法であって、
    動作データを捕捉するステップと、
    対称変換を使用して前記動作データを変換するステップと、
    推定動作クラス又は特定の対称性を有する前記動作データから推定される複数のクラス確率を識別するステップと、
    推定動作クラス又は特定の対称性を有する変換された前記動作データから推定される複数のクラス確率を識別するステップと、
    前記対称変換に対応する変換を使用して、変換された前記動作データから得られた推定動作クラス又は複数のクラス確率を反転させて、反転された推定動作クラス又は複数のクラス確率を生成するステップと、
    前記動作データから得られた、前記反転された推定動作クラス又はクラス確率、及び前記推定動作クラス又はクラス確率を組み合わせて、複数の動作クラス又はクラス確率を生成するステップと、
    を含む方法。
11. 対称変換を使用して動作を変換するステップには前記動作データを左右に反転するステップが含まれ、変換された前記動作データから得られた推定動作データを反転するステップには左右クラス識別子を反転するステップが含まれる、請求項１０に記載の動作を分類する方法。
12. 前記動作データを左右反転させるステップには、前記動作データの各ｘ座標を反転させるステップが含まれる、請求項１１に記載の動作を分類する方法。
13. 前記反転された推定動作クラス又はクラス確率と、前記推定された動作クラス又は前記動作データから得られたクラス確率を組み合わせるステップには、前記反転された推定動作クラス及びデフォルトクラス以外の前記推定された動作クラスを組み合わせるステップが含まれる、請求項１０に記載の動作を分類する方法。
14. 前記動作データは、人の骨格データである、請求項１０から１３までのいずれか１項に記載の動作を分類する方法。
15. 人の前記骨格データは、一定期間にわたる骨格関節のＸ座標及びＹ座標の配列を含む、請求項１４に記載の動作を分類する方法。
16. 前記動作データは、骨格キーポイント、画像又は映像である、請求項１０から１３までのいずれか１項に記載の動作を分類する方法。
17. 一連の訓練インスタンスを使用して機械学習システムを訓練する方法であって、
    各訓練インスタンスはクラスラベル及び動作データを含み、
    最初の非対称性に関連付けられたラベルを有する訓練インスタンスを識別するステップと、
    識別された訓練インスタンスごとに、
    インスタンスに関連付けられたラベルを前記最初の非対称性の対となるラベルに変換し、
    前記最初の非対称性に関連付けられた変換を使用してインスタンスに関連する前記動作データを変換することにより、
    識別された訓練インスタンスを修正するステップと、
    訓練インスタンスが修正された結果、訓練インスタンスのいずれも、前記最初の非対称性のラベル付けがされていない場合に、修正された一連の訓練インスタンスを使用して機械学習システムを訓練するステップと、を含む方法。
18. 前記最初の非対称性は左手であり、前記ラベルの変換は右手ラベルによる左手ラベルへの変換を含み、前記動作データの変換は前記動作データの左右反転を含む、請求項１７に記載の方法。
19. 前記最初の非対称性は右手であり、前記ラベルの変換は左手ラベルによる右手ラベルへの変換を含み、前記動作データの変換は前記動作データの左右反転を含む、請求項１７に記載の方法。
20. 前記動作データの左右反転は、前記動作データの各ｘ座標の反転を含む、請求項１８又は１９に記載の方法。

Images