平成27年度情報理数科研究発表会での発表。 Computer Vision/Traffic Sign Detection/Open CV/Python/C++/OBD2

1. 車載カメラによる
リアルタイム道路標識検出システムの開発
長瀬 幸翼
中村 幸太
橋口 悠人

2. アジェンダ
• テーマ設定の動機
• 取り組みの概要
• 開発の流れ
• 課題と展望
• 参考文献
1

3. テーマ設定の動機
•運転支援技術への関心
- 実用化され、高い評価を得ている”アイサイト”
- 二年の課題研究での超音波センサカー製作
•コンピュータビジョンに対する興味
- 2015年4月、OpenCV ver. 3.0.0 リリース
2

4. 取り組みの概要
3

5. 開発の流れ
基本機能
• 機械学習による分類器作成
• Pythonによる検出プログラムの実装
高速化
• C++による実装
機能追加
• 走行スピードに応じた探索深度の変更
4

6. 基本機能 分類器の生成
• 分類器は標識の判断基準
• 大量の”検出対象の画像”と”その他の画像”か
ら、局所的な明暗差のパターンを学習
• Open CVが提供する分類器作成プログラム
opencv_traincascadeを利用
5

7. 検出対象が
写っていない
(約1200枚)
検出対象
(約400枚)
6
明暗差のパターン
(Haar-Like特徴量)
約18万通り
いくつか選択(弱分類器生成)して、
それぞれを重み付け
(サイズ正規化・グレースケール化後)

8. • 分類器による探索の様子
7
OpenCV Face Detection Visualized - http://cvdazzle.comより

9. • 検出プログラムの作成
- Python(2.7.2), Open CV(3.0.0)を使用
- カメラから画像を1フレームずつ取得
- 作成した分類器により探索
- 検出時にWindowsのAPIによりビープ音を再生
8

10. 実行結果(フロントカメラ)
9

11. 実行結果(リアカメラ,車載)
10

12. 高速化 プログラムの高速化
•Python → C++
- コンパイル言語により再実装
- Visual Studio 2015によりコンパイル
- それぞれ100フレームずつカメラ映像を探索
→ 2倍の処理性能を記録
11

13. •最も適切な探索深度を選択
- 学習に未使用の一時停止の画像100枚を処理
- 検出率は高く、誤検出率は低いスケール因子
のうち最小のものを選択
12

14. 走行スピードに応じた
探索深度の変更
•車速に応じた探索深度の動的な変更
- 高速走行時は探索深度を浅くした方が
検出率が上がるのでは、という仮説
- 車両診断用ツールであるOBD2スキャ
ナ
を利用し車速を取得
機能追加
13

15. 車速のロギングと車両動画の撮影を同時に実施
→ リアルタイムに車速を取得しているかのように処理
14
車速
データ
道路
状況
10秒後
11秒後
12秒後
13[km/s] 21[km/s] 34[km/s]

16. 進捗状況
•プリウス(ZVW30)にスキャナを接続
- 車速等の車両情報のロギングに成功
- ロギング中の走行状況の撮影も完了
•検証用プログラムの作成途中
15

17. 課題と展望
•課題
- 検出精度の向上(分類器改良, カメラ位置)
•展望
- 複数種の標識に対応
- GPSによる位置情報・速度取得
→道路標識のマップ化
16

18. 参考文献
• 「実践 コンピュータビジョン」
Jan Erik Solem (著), 相川 愛三 (翻訳)
• 「生成型学習とカスケード型識別器による道路標識
検出・認識」
(画像の認識・理解シンポジウムMIRU2008)
道満恵介, 高橋友和, 目加田慶人, 井手一郎, 村瀬洋
17