背景

　視覚による物体検出と領域分割処理は，サービスロボットやホームセキュリティシステム，認識システムなどの知的システムには欠かせない機能である．とりわけ，サービスロボットに必須であると考えられる．なぜなら，サービスロボットが多くの日常的な物体を操作するためには，そのような物体を頑健に認識する必要がある．

　この研究では，RGB-D カメラにより取得される3次元の距離データや多次元データから重要な部分を切り出すという根本的な問題に
取り組む．

従来法の問題点

　物体を表現している3次元距離データや多変量データを頑健に領域分割するアルゴリズムとして，様々なものが提案されてきた．

• K-means法
• Fuzzy C-means法
• Euclidean Cluster Extraction法

などが提案されている．

K-means, Fuzzy C-means法は，理論的に特徴空間内で超楕円体状に分布するクラスタを推定することしかできないため，どのような多次元データにも頑健であるわけではない．

Euclidean Cluster Extraction法は，平面，超球状に分布するデータを仮定しているため，先述の2つの方法と同様に，どのような多次元データにも頑健であるわけではない．

提案する解決策

• 多次元・任意の分布形状のクラスタが検出可能
• ノイズに頑健
• クラスタの初期化手続き不要

な，高速なクラスタリング手法BOOL[Sugiyama11]を利用することを提案する．

M. Sugiyama and A. Yamamoto:
“A Fast and Flexible Clustering Algorithm Using Binary Discretization,” in Proc. of IEEE 11th Int. Conf. on Data Mining, pp.1212-1217, 2011.

ただし，オリジナルのBOOLのアルゴリズムのままでは，領域分割が過多になる傾向があるため，これを改良した
アルゴリズムとして

Hetero-BOOLアルゴリズム

を新たに提案する．

• 各属性を異方的（Hetero-）に離散化
• クラスタ統合条件を緩和
• あるレベルだけで離散化

という改良を加え，BOOLの過多な分割の解消と高速性を維持している．

Hetero-BOOLアルゴリズムの流れ

処理結果の比較例

• Euclidean Cluster Extraction(ECE) - PCLライブラリ
• K-means - OpenCVライブラリ
• BOOL
• Hetero-BOOL　（提案手法）

の4つの手法で比較．

3次元（x,y,depth）データによる分割結果の比較




６次元（x,y,depth,nx,ny,nz）データによる分割結果の比較

使用機器

• Microsoft社製　Kinect
• Laptop PC(CPU:Corei7-2620M, Memory:8GB)

応用事例

• 様々な生活支援ロボットに応用可能
  • 卓上ロボットアーム
  • ベットサイドロボットアーム
  • 車いすロボットアーム
• 産業用ロボット

など多様なビジョンベースロボットの物体認識機能に応用が可能．

参考文献

1. 安達郁視，中村恭之：”教師なしクラスタリング手法による距離画像上等高線の高速生成”，
   動的画像処理実利用ワークショップ，O3-2, 2013．
2. 安達郁視，中村恭之：
   ”多次元データの高速・頑健なクラスタリングためのHetero-BOOLアルゴリズムの提案”，
   第18回ロボティクスシンポジア，2D4, pp.251--256，2013．

研究指導

　本研究に興味があり，試してみたい方は，中村 (ntakayuk@sys.wakayama-u.ac.jp)までメールで御連絡下さい．