JP7479201B2 - クラス判定装置、クラス判定方法及びコンピュータプログラム - Google Patents
クラス判定装置、クラス判定方法及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7479201B2 JP7479201B2 JP2020097106A JP2020097106A JP7479201B2 JP 7479201 B2 JP7479201 B2 JP 7479201B2 JP 2020097106 A JP2020097106 A JP 2020097106A JP 2020097106 A JP2020097106 A JP 2020097106A JP 7479201 B2 JP7479201 B2 JP 7479201B2
- Authority
- JP
- Japan
- Prior art keywords
- class
- unit
- detected
- frame
- proportion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004590 computer program Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 title description 44
- 238000001514 detection method Methods 0.000 claims description 57
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 description 23
- 230000009466 transformation Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101100072002 Arabidopsis thaliana ICME gene Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
本発明では、野球のようなポジションが固定されているスポーツが撮影された映像を用いて、映像を構成するフレームに写る人物を、対応するポジションに分類する。本発明では、まず一つの映像を構成する複数のフレームを、学習用フレームと推論用フレームとに分ける。フレームの分け方としては、映像の先頭(時刻t)からt+t0の区間を学習用フレーム、残りのフレームを推論用フレームとしてもよいし、学習用フレームを映像全体からサンプリングしてもよい。学習用フレームと推論用フレームとは一部又は全てで重複していてもよい。なお、以下の説明において学習用フレームと推論用フレームとを区別しないで説明する場合には、画像フレームと記載する。
以上が学習用フレームを用いた学習処理の流れである。
以上が推論用フレームを用いた推論処理の流れである。
以下、上記処理を実現するための具体的な構成について説明する。
図1は、第1の実施形態における学習装置1の機能構成を表す概略ブロック図である。
学習装置1は、バスで接続されたCPU(Central Processing Unit)やメモリや補助記憶装置などを備え、プログラムを実行する。学習装置1は、プログラムの実行によって学習モデル記憶部11、学習データ入力部12及び学習部13を備える装置として機能する。なお、学習装置1の各機能の全て又は一部は、ASIC(Application Specific Integrated Circuit)やPLD(Programmable Logic Device)やFPGA(Field Programmable Gate Array)やGPU(Graphics Processing Unit)等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。
クラス判定装置2は、記憶部21及び制御部22を備える。
記憶部21は、学習済みモデル211を記憶する。記憶部21は、磁気記憶装置や半導体記憶装置などの記憶装置を用いて構成される。学習済みモデル211は、学習装置1によって生成された学習済みモデルである。
(参考文献1: X. Zhou et al., “Objects as Points”, in arXiv arXiv:1904.07850, 2019. [令和2年6月2日検索]、インターネット<URL:https://arxiv.org/abs/1904.07850>)
取得部221は、推論用フレームを取得する(ステップS101)。例えば、取得部221は、1枚の推論用フレームを取得する。取得部221は、取得した推論用フレームを物体検出部222に出力する。物体検出部222は、推論用フレームから人物を検出する(ステップS102)。物体検出部222は、検出結果を座標変換部223に出力する。
図6の上図に示すように、4人の人物が検出されているものとする。各人物はそれぞれp1、p2、p3、p4とする。図6の下図には、クラス尤度取得部224によるクラス尤度の取得結果及びクラス判定部225による判定結果が示されている。例えば、クラス尤度の取得結果として、各人物p1~p4の各クラスに対する尤度の取得結果が示されている。図6では、人物p1が、クラス1に属する割合が0.5であり、クラス2に属する割合が0.2であり、クラス3に属する割合が0.1であるといったことが示されている。クラス判定部225による判定結果として、人物p1がクラス1に属し、人物p2がクラス2に属し、人物p4がクラス3に属すると判定されていることが示されている。
一方、終了条件が満たされていない場合(ステップS106-NO)、クラス判定装置2はステップS101以降の処理を繰り返し実行する。
第1の実施形態では、入力された各推論用フレーム全てにおいて、検出された全ての人物のクラス判定を行う。そのため、既にクラス判定された人物について複数回クラス判定を行うことになる。第2の実施形態では、各推論用フレームで検出された人物をフレーム間で対応付け、対応付けがなされていない人物のクラス判定を行う。
クラス判定装置2aは、記憶部21及び制御部22aを備える。
制御部22aは、クラス判定装置2a全体を制御する。クラス判定装置2aは、CPU等のプロセッサやメモリを用いて構成される。制御部22aは、プログラムを実行することによって、取得部221、物体検出部222、座標変換部223a、クラス尤度取得部224a、クラス判定部225a及びトラッキング部226として機能する。
(参考文献2:L. Chen et al., “Real-time Multiple People Tracking with Deeply Learned Candidate Selection and Person Re-identification”, in ICME, 2018. [令和2年6月2日検索]、インターネット<URL:https://arxiv.org/abs/1809.04427>)
ステップS106の処理において終了条件が満たされていない場合(ステップS106-NO)、取得部221は、推論用フレームを取得する(ステップS201)。ステップS201において取得部221は、他の時刻における推論用フレームを取得する。例えば、ステップS201において取得部221は、前に取得したフレームよりも後の時刻における推論用フレームを取得する。取得部221は、取得した推論用フレームを物体検出部222に出力する。物体検出部222は、推論用フレームから人物を検出する(ステップS202)。物体検出部222は、検出結果をトラッキング部226に出力する。
一方、終了条件が満たされていない場合(ステップS207-NO)、クラス判定装置2aはステップS201以降の処理を繰り返し実行する。
第2の実施形態における物体分類システムでは、各推論用フレームで検出された人物をフレーム間で対応付けることで追跡し、前フレームにおける人物検出結果を伝搬させる。そして、第2の実施形態における物体分類システムでは、トラッキング部226でトラッキングできなかった人物の検出結果に対してのみ処理を行う。これにより、座標変換部223a以降の処理は、既にクラス判定された人物を除いた人物を対象とすることができる。そのため、処理速度を向上させることができる。
上記の各実施形態では、映像を構成するフレームに写る人物の分類を例に説明したが、人物以外の物体(例えば、人物以外の生物、構造物等)を分類するように構成されてもよい。
学習装置1とクラス判定装置2,2aは、一体化されて構成されてもよい。このように構成される場合、クラス判定装置2は、学習処理と推論処理とをユーザの指示に応じて切り替えて実行する。
(参考文献3:T. Cour et al., “Balanced Graph Matching”, in NIPS, 2006.)
上記のように、クラス判定部225,225aは、各人物のクラスを判定する。
さらに、クラス判定装置2,2aにおけるクラス判定部225,225aが、人物検出結果及びクラスをノードとするグラフに基づいて、推論用フレームの人物検出結果のクラスを判定する。グラフベースの大域最適化によって、クラス判定部225,225の結果のみに基づいて得られる局所解よりも精度よくクラスを判定することができる。
Claims (6)
- 入力されたフレームに撮影されている物体を検出する物体検出部と、
前記物体検出部によって検出された前記物体の位置情報を入力として、前記物体が各クラスに属する割合を出力するように学習されたモデルを用いて、検出された前記物体の各クラスに属する割合を取得するクラス尤度取得部と、
前記クラス尤度取得部によって取得された前記物体の各クラスに属する割合に応じて、検出された前記物体のクラスを判定するクラス判定部と、
を備え、
前記クラス判定部は、検出された前記物体及び前記クラスをノードとするグラフに基づいて前記物体のクラスを判定するクラス判定装置。 - 前記フレームに撮影されている空間を、他の座標系の空間に変換する座標変換部をさらに備え、
前記クラス尤度取得部は、変換後の空間における前記物体の位置情報を前記モデルに入力することによって前記物体の各クラスに属する割合を取得する、
請求項1に記載のクラス判定装置。 - 第1のフレームで検出された物体と、前記第1のフレームよりも後の時刻に得られた第2のフレームで検出された物体とを対応付けてトラッキングするトラッキング部をさらに備え、
前記クラス尤度取得部は、前記トラッキング部によるトラッキング結果に基づいて、前記第2のフレームで検出された物体のうち前記第1のフレームに存在しなかった物体の各クラスに属する割合を取得する、
請求項1又は2に記載のクラス判定装置。 - 前記クラス判定部は、前記フレームに撮影されている前記物体が検出された画像領域から抽出された、見えの特徴量の比較に基づく尺度を加味して前記物体のクラスを判定する、
請求項1から3のいずれか一項に記載のクラス判定装置。 - 入力されたフレームに撮影されている物体を検出する物体検出ステップと、
前記物体検出ステップによって検出された前記物体の位置情報を入力として、前記物体が各クラスに属する割合を出力するように学習されたモデルを用いて、検出された前記物体の各クラスに属する割合を取得するクラス尤度取得ステップと、
前記クラス尤度取得ステップによって取得された前記物体の各クラスに属する割合に応じて、検出された前記物体のクラスを判定するクラス判定ステップと、
有し、
前記クラス判定ステップにおいて、検出された前記物体及び前記クラスをノードとするグラフに基づいて前記物体のクラスを判定するクラス判定方法。 - 入力されたフレームに撮影されている物体を検出する物体検出ステップと、
前記物体検出ステップによって検出された前記物体の位置情報を入力として、前記物体が各クラスに属する割合を出力するように学習されたモデルを用いて、検出された前記物体の各クラスに属する割合を取得するクラス尤度取得ステップと、
前記クラス尤度取得ステップによって取得された前記物体の各クラスに属する割合に応じて、検出された前記物体のクラスを判定するクラス判定ステップと、
をコンピュータに実行させ、
前記クラス判定ステップにおいて、検出された前記物体及び前記クラスをノードとするグラフに基づいて前記物体のクラスを判定するためのコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020097106A JP7479201B2 (ja) | 2020-06-03 | 2020-06-03 | クラス判定装置、クラス判定方法及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020097106A JP7479201B2 (ja) | 2020-06-03 | 2020-06-03 | クラス判定装置、クラス判定方法及びコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021189959A JP2021189959A (ja) | 2021-12-13 |
JP7479201B2 true JP7479201B2 (ja) | 2024-05-08 |
Family
ID=78849665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020097106A Active JP7479201B2 (ja) | 2020-06-03 | 2020-06-03 | クラス判定装置、クラス判定方法及びコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7479201B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019200560A (ja) | 2018-05-16 | 2019-11-21 | パナソニックIpマネジメント株式会社 | 作業分析装置および作業分析方法 |
-
2020
- 2020-06-03 JP JP2020097106A patent/JP7479201B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019200560A (ja) | 2018-05-16 | 2019-11-21 | パナソニックIpマネジメント株式会社 | 作業分析装置および作業分析方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021189959A (ja) | 2021-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544928B2 (en) | Athlete style recognition system and method | |
Villegas et al. | Learning to generate long-term future via hierarchical prediction | |
Shen et al. | Multiobject tracking by submodular optimization | |
JP6525453B2 (ja) | オブジェクト位置推定システム、及びそのプログラム | |
US20190191098A1 (en) | Object tracking apparatus, object tracking method, and non-transitory computer-readable storage medium for storing program | |
KR101303877B1 (ko) | 얼굴 검출과 피부 영역 검출을 적용하여 피부의 선호색변환을 수행하는 방법 및 장치 | |
TWI537872B (zh) | 辨識二維影像產生三維資訊之方法 | |
JP4682820B2 (ja) | オブジェクト追跡装置及びオブジェクト追跡方法、並びにプログラム | |
CN114651284A (zh) | 轻量级多分支和多尺度人员重识别 | |
KR102167730B1 (ko) | 영상 마스킹 장치 및 영상 마스킹 방법 | |
JP2013122763A (ja) | 映像処理装置及び映像処理方法 | |
Liu et al. | Video analytic system for detecting cow structure | |
JPWO2019003973A1 (ja) | 顔認証装置、顔認証方法およびプログラム | |
JP6646815B2 (ja) | 人物追跡方法および人物追跡装置 | |
EP3611691B1 (en) | Recognition device, recognition system, recognition method, and recognition program | |
JP2018028784A (ja) | 移動体群検出プログラム、移動体群検出装置、及び移動体群検出方法 | |
JP3836814B2 (ja) | 画像処理方法、画像処理装置、画像処理プログラム | |
JP2007034733A (ja) | 対象物領域検出装置、方法およびプログラム | |
Huang et al. | Egocentric hand detection via dynamic region growing | |
JP7479201B2 (ja) | クラス判定装置、クラス判定方法及びコンピュータプログラム | |
Liu et al. | A cow structural model for video analytics of cow health | |
JP7334058B2 (ja) | 幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム | |
JP4750758B2 (ja) | 注目領域抽出方法、注目領域抽出装置、コンピュータプログラム、及び、記録媒体 | |
JP6350331B2 (ja) | 追尾装置、追尾方法及び追尾プログラム | |
Tahan et al. | A computer vision driven squash players tracking system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230127 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231128 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240123 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240326 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240423 |