2021年06月21日 お知らせ

交通量の可視化を目的とした物体検出手法を比較解説しました

交通量の可視化
 

交通量の可視化をする場合、動画内の車や人を検出する必要がありますが、ケースによりアプローチが変わるため検出方法を検討する必要があります。この度、交通量の可視化を目的にしたアプローチ例として2種類の物体検出手法(オプティカルフローと深層学習)を比較しました。

 

■オプティカルフローとは?
動いている物体の解析手法の一つであり、フレーム間の輝度変化から移動量の差分を求めることでリアルタイムに動いている物体を検出できます。

▼メリット
・物体が移動さえすれば、どんな対象でも検出できる
・移動方向の違いによる物体の判別ができる
・AI(深層学習/ディープラーニング)ではないため学習データの用意をする必要がない
▼デメリット
・移動している物体しか検出できない
・群になって移動している物体を個別で検出することが苦手
・カメラの振動や移動に弱く、定点で撮影する必要がある

 

■深層学習(Yolo)とは?
機械学習の一種であり、人間の神経細胞の仕組みを再現したニューラルネットワークを用いた機械学習の手法の1つです。本デモ動画では深層学習による物体認識の一例として、リアルタイムでの物体検出を行う際に使われるスタンダードなAIモデルである「Yolo」を利用しています。

▼メリット
・車自体を認識するため、個別での検出が強い
・止まっている物体でも検出できる
・定点での撮影でなくても検出できる
・物体を個別で検出することが比較的得意
▼デメリット
・学習データに遠くに写っている車のデータがなければ検出が難しい
・学習データに存在していない車(例:救急車やダンプカーなど)は検出が難しい
・望ましい結果が得られなかった際の追加の学習コストが高い

このようにケースによってアプローチが変わるため使い分ける必要があります。まずはご相談ください。

 

▼交通量の可視化を目的とした物体検出手法を比較解説動画

▼ネクストシステムのAI開発事例はこちら
https://www.next-system.com/ai

 
=================
◎弊社サービスに関するお問合せ: https://www.next-system.com/contact / 092-584-0662
◎本記事に関するお問合せ: r-tanaka@next-system.com (田中)

開発・応用事例はこちら