山本 雄平

近年，深層学習の著しい発展により，カメラ映像から物体追跡の精度が飛躍的に向上した．しかし，長時間にわたって多数の人物を追跡するには，既存手法ではオクルージョンにより追跡が失敗するという課題がある．この課題を解消するため，オクルージョン箇所において人物の軌跡が分断されたことで生成されるtracklet（短時間において正確に追跡した短い軌跡）と，対象人物とを再度同定する手法が提案されている．しかし，オクルージョンによる身体部位の遮蔽の度合いや，姿勢と向きより生じる人物画像の変化に対応できず，人物同定が安定しないことが分かっている．そこで，本研究では，深層距離学習を用いて選手個人の画像群から特徴空間上の重心を算出し，trackletにおけるすべての選手画像を考慮した人物同定および追跡手法を提案し実装する．実証実験から，選手個人の追跡精度が画期的に向上したことにより，フィールドスポーツにおける選手追跡結果を素早く作成できることを確認した． Rapid development of deep learning in recent years has led to improved tracking accuracy of objects in video. However, existing methods of multiple object tracking face challenges in long-term tracking due to occlusion. To address this problem, tracking algorithms that split trajectories where occlusion occurs have been proposed for generating tracklets, short trajectories accurately tracked in a short time, re-identified as target individuals. Nevertheless, handling variations in the degree of body part occlusion and the dispersion of individual images due to changes in posture and orientation is difficult in these approaches and it leads to unstable identification results. In this study, the authors develop a method utilizing deep metric learning to calculate the centroid in the feature space of individual player image sets. This approach considers all player images in the tracklet for identification and tracking, demonstrating a significantly high improvement in the tracking accuracy of individual players. This method confirms the efficient generation of player tracking results in field sports.

In Japan, the Sport Basic Plan was formulated in 2012, which mentions not only the development of highly qualified sports instructors but also new perspectives such as the provision of programs in which everyone can enjoy the value of sports together. Against this background, trials of new technologies utilizing the latest ICT equipment such as sensor devices are being made. However, in college sports, where financial resources are often limited, shooting with hand-held video cameras is the most common method, which may cause the manager to overlook important scenes of play depending on his or her skill level. This problem affects not only competitors but also spectators. To solve this problem, we develop a system for capturing video images of the entire field with multiple fixed video cameras so that the system can automatically switch from one to another video of the most appropriate camera for the respective scenes of play. The results of the demonstration experiments in basketball and futsal showed that the switching video of the proposed technology can be utilized for tactical analysis in sports.

我が国では，自動車交通量調査の省力化のために，AIを用いた調査が推進されている．既存研究では，AIを用いた車両の部位の識別により，車種別の断面交通量を計数できることが明らかにされているものの，フレアや景色の映り込みにより精度が低下する課題がある．対策としては，ナンバープレートの分類番号の認識結果から車種を判定する方法が考えられる．しかし，分類番号が不鮮明な場合，認識精度が低下する．そこで，本研究では，文字が鮮明な場合は分類番号を認識し，不鮮明な場合は車両の部位の識別結果を用いて車種を判定する手法を考案する．3つの地点で撮影した動画像に考案手法を適用した結果，車種の判定精度はすべての地点でF値が0.950以上と高精度であった．今後は，図柄入りのナンバープレートに対応することで，早期実用化を目指す．

昨今、自動車から収集されるプローブデータを用いて、対象路線単位の交通量や旅行速度を分析する事例が多くみられる。加えて、走行車線単位で個車の挙動を把握できれば、分合流部における車線変更の挙動分析等、より高度な道路交通分析の実現が期待できる。そこで、本研究では、ETC2.0 プローブ情報から個車の走行車線を推定する手法を考案する。ETC2.0 プローブ情報よりも測位精度の高いプローブデータを教師データに採用して、個車の走行軌跡を車線別に区切られたメッシュに重畳した。そして、メッシュに割り当てた一意な数値の時系列変化に機械学習を適用した。その結果、推定結果は ETC2.0 プローブ情報の測位精度に影響するものの、測位点を 1 点ずつ確認した場合よりも高い精度で個車の走行車線を推定できることが明らかになった。

我が国では，自動車交通量調査の効率化に向け，調査にAIを導入している．この調査でナンバープレートを認識できれば，車両の流動計測も可能となり，調査を高度化できる．しかし，路肩の高所から撮影した動画像では，ナンバープレートが傾いた状態で映り込むため，正面向きに補正する必要がある．補正する手法として射影変換があるが，ナンバープレートと車両が同系色の場合，射影変換の基準点を取得できない．そこで，本研究では，ナンバープレートに必ず表記される一連指定番号の4桁目の位置を基準とした射影変換により正面向きに補正し，ナンバープレートのすべての文字を抽出する手法を開発した．実験の結果，500枚中479枚の画像ですべての文字を抽出できた．今後は，本手法を適用して異なる地点間で同一の車両を特定する交通流動調査への展開を図る．