人物視覺監控分析之相關文獻

壹、影像分割

一、建立背景模型

一張灰階影像當中每一個像素（pixel）都有一個灰階值，本研究所使用的臨 界值法（張簡復中，2010）是用來區分前景物體與背景，也就是設定一個臨界值，

當影像中像素的灰階值大於或小於臨界值時，則將這個像素區分為前景物體或背 景，在研究中因為背景是屬於單純的白色，因此非常適合用來作為切割影像中前 景物體或背景所使用的方法，臨界值法中有多種設定臨界值的方式例如：整體臨 界值（global thresholding）及適應性臨界值（adaptive thresholding）

（一）整體臨界值

所謂整體臨界值是對於整張影像都選則使用同一個臨界值去作為整個影像 的分水嶺找出前景物體與背景，這個方法很容易可以達成，因為步驟只是將所有 像素的灰階值分為大於臨界值的區域及小於臨界值的區域，如果影像中的前景物 體及背景簡單再加上對比分明的話，效果就會比較顯著。本研究將在剪影法中的 去背景時，採用整體臨界值法去除類白色之背景。

（二）適應性臨界值

除非前景物體及背景簡單再加上對比分明，否則通常沒有那麼單純使用一個 臨界值就可以適用於一整張影像的，在背景及前景物體沒有那麼單純的情況下，

可能在不同的區域就會有不同適用的臨界值，在這樣的條件下，當然最好的方法 就是使用自適性的臨界值。

為了取得區間的變化，臨界值可以依照下面的方法來取得：

第一步：先將取得的影像分成多個子影像，就每一個子影像針對灰階值做直方圖 分析，不考慮單峰（unimodeal）的直方圖，只將具有雙峰（bimodal）

的直方圖留下。

第二步：從直方圖中的灰階值中背景所累計的灰階值及前影物體所累計的灰階值

將彩色影像圖片以一個二值影像（binary images）來表示，可將視為一個 X 和Y 的雙值函數(function)，而 MATLAB 程式語言是將二值影像當成是由 0 和 1 除，強化邊緣或補修破碎，可以使研究中得到更接近真實物體的資訊（Gonzalex &

Woods, 2002）。

接下來將介紹影像中的形態學（morphology），以形態學為基礎的數位影像 處理，可以用來去除雜訊及修補破碎。本研究將斷開與閉合的部分應用在修補研 究中所擷取出來的色塊（標記擷取法）與剪影（剪影法）上。

（一）侵蝕

侵蝕（erosion）是一種從二值化影像的邊界上，將邊界往內收縮若干個像素。

（二）膨脹 最大概似分類器（Maximum Likelihood Classifier, MLC）、最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）與支撐向量機（Support Vector Machine, SVM）

等。本研究在這此採用最大概似分類器與最近鄰近法分類器為主要的分類器工 具。

（一）最大概似分類器

最大概似分類器是在統計辨識上較常使用參數型分類器，在進行參數的訓練 後，此分類器通常會基於最大後驗機率法（Maximum a posterior, MAP） 將任意 的未知樣本x將會被判別在隸屬機率最高的類別（Fukunaga, 1990）。

假設有一個

L

（decision function）被分類：

{ }

ML 通常會假設樣本的分布為高斯分佈（Gaussian distribution），且利用訓練 樣本估計出上述概似函數所需的平均向量（mean vector,

μ

（Fukunaga, 1990）。例如兩類的分類問題使用 3NN 的分類器，任意樣本x最近 的訓練樣本有2 個來自第一類，1 個來自第二類，則此樣本 x 會被判斷成第一類，

如圖2-2 所示。

圖 2-2 KNN(K=3)示意圖

二、特徵選取

樣式辨識的問題中，經常需在眾多的特徵中選取適當特徵供給分類器應用。

一般在挑選少數較佳的特徵有幾個準則：(1)區別性(discrimination)、(2)可靠性 (reliability)、(3)獨立性(independence)、(4)數目小(small numbers)，經由剔除某些 特徵時，分類器效率隨之下降，可得知此特徵是有效用的，而特徵選取是選取較 為重要的特徵，使其分類器易於管理且能有效的分類過程(張簡復中, 2010)。本研 究在擷取標記色塊時，取較具有區別性之特徵(四肢端點標記)，之後再將從所有 特徵組合裡，挑選較好的特徵集，作為本研究動作之特徵組。

第一類 第二類 未知樣本