日々現状維持

日暮れて道はなし

プロフィール

七橋綴(ななつ☆)

Author:七橋綴(ななつ☆)
大学生:♂
2013年―――気づけば今年誕生日を迎えると四捨五入で30歳
地獄の業界、SE業。
NEETになりたい(迫真)

カウンター

宣伝/広告


ブログ内検索

presentsed by nanatu

カレンダー

05 | 2017/06 | 07
- - - - 1 2 3
4 5 6 7 8 9 10
11 12 13 14 15 16 17
18 19 20 21 22 23 24
25 26 27 28 29 30 -


Haarlike 検出 向上に向けて

ども、ななつです。今回は研究内容なので、興味ない人はスルーで。
前回の記事のmeanShiftから手法の見直しをしてみた。

顔検出を例にして考えたから、ちょっと気が付くのに時間掛かった。
今回の目的は車の検出なので、車の形状などの情報を考えてみる。
前回のmeanShift(自炊)はちょっと詰めが甘かったなぁと反省。
あれって、間違った一点の場所を指しちゃうと、
必ずそこは誤差の範囲外である限り誤検出は続いちゃうんだよね。そもそもの話。
つまり完全な検出を目指すなら、検出座標群に目を付けるんじゃなくて、
検出画像のデータ部分に目を向けるべきだと思った。今更。

で、思いついたのが、色の占有率を調べることでいけんじゃないかなぁと。
物体検出において一番簡単なのが色による判断。
これって実は身近な物に潜んでいて、例をあげると、プリクラ器の後ろのシート。
大抵緑色かピンクなんだけど、あれって服の色と被らない物が選ばれるっぽい。
つまりプリクラ器で人の写真を撮影したあと緑の部分を切り取れば、
即ち人の部分だけが切り取られ、背景にハワイの絵とかが入れられるんだよね。

ちょっと話が逸れたんだけど、
つまり、車って基本一色だから、検出した座標内のデータがある程度車の色で埋まっとけば、
車として検出して、ある任意の色が指定した占有率を下回っとけば違う画像。
というふうに判定したらいいんじゃなだろうか。

ざっと理論考えたんだけど、
その座標内のある程度のカラーテーブルを作っといて、
カラーテーブルごとのヒストグラムをプログラミングで作り出す。
全体の画素値がカラーテーブルのヒストグラムの最大値と任意の数で占有してれば正解画像とする。

ちょっとやってみないことには精度が上がるか下がるかも分からない状態。
やってみる価値はあると思うけど、meanSiiftよりも検出数はむしろ増えるだろうなぁ。

メリットは青空とか、ごちゃごちゃした色の部分は取り除ける。

デメリットは一か所ごとにヒストグラムを作成しちゃうから、
ある程度のマシンスペックは必要だということ。

とりあえず誤検出画像をもう一度、どんな検出がでてるのか確認して見当してみよう。
でもこれって車種による車の違いもある程度は緩和できるはず・・・?
スポンサーサイト