第二章 文獻探討
第三節 人物視覺監控分析之相關文獻
在此章節將介紹於本研究中視覺監控應用在感覺統合領域的相關方 法。
壹、動作分割
一、建立背景模型
本研究當中是使用臨界值法來實現前景物體與背景的分割，介紹如下
(張簡復中, 2010)：
臨界值法主要是靠設定一個臨界值來分辨前景物體與背景，簡單來說 就是設定一個臨界值，若在影像中的灰階值大於臨界值，就設定為背景，
若小於臨界值則判為前景物體，因此這樣的方法很適合用於影像中前景物 體與背景有明顯區域分界的情況。也就是說若感興趣的前景物體和背景間 的灰階值有很明顯差異時，則使用該方法即可完全分割物體與背景，但臨 界值還是有許多不同的設定方式如：整體臨界值 (global thresholding)、適 應性臨界值(adaptive thresholding),
(一)、整體臨界值
這個方法是對整幅影像選定一個固定的灰階值，並以此值去做為影像 的分類點，以找出此類影像的物體；此方法很容易，因為步驟僅將灰階度 分為高、低兩個區域，因此只有在物體與背景單純且亮暗分明下，效果才 會比較好。
(二)、適應性臨界值
在很多的情況下，影像不會是上述的那麼單純，背景可能會有很多種 的變化；在這樣的情況底下，可能某個區域中所用的臨界值，就不能用在 別的區域上，當然最好的方法就是在不同的區域，有不同的臨界值，自然 就是自適性的臨界值。
為了適應區域間的變化，臨界值可依下面的步驟來求得：
步驟一：先將欲做分析的影像分成若干個子影像，並就每個子影像做直方 圖分析，去掉單峰(unimodeal)的直方圖，只紀錄具雙峰(bimodal)的直方圖。
步聚二：在背景之灰階值與物體之灰階值中，選擇中間值來作為臨界值。
累積量
圖 2-1 整體臨界值之最佳選擇
灰階度
二、影像濾波
研究中經由背景去除後所剩餘的輪廓中，通常會因光線影像無法完美 區別出前景物體與背景，雜訊及光線的影響容易存在於影像當中，對於輪 廓資訊分析需要的細心觀察影響非常嚴重，在數位影像處理的應用上，通 常有經過前處理等動作，一般而言有經過雜訊去除，強化邊緣等效果，並 可以用來得到一些更有用的資訊，以作為後處理的參考（Gonzalex &Woods, 2002）。
將探討二值化影像的形態學，依形態學為基礎的影像處理演算法，它 提供了強大的互補工具，可以用來去除雜訊或修補雜訊。
首先將所取得的影像設為 B，將 B 的 3×3 矩陣與處理的結構元素 S 作 邏輯運算，可以得到一個輸出點。再取一個新的 3×3 矩陣重復上述步驟，
最後取完輸入影像 這樣就完成了處理過程，整個過程會是像在求一個二 維的迴旋積。不同的組合和邏輯運算，對於影像也會有不同的效應。先從 最基本的來討論，定義如下：
設集合 B 與 S 分別為b(b1,b2)與s(s1,s2)，其中 與 ,i=1,2 分別代
圖 2-2 侵蝕的效果
註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.
（二）膨脹(Dilation)
這一個方法與侵蝕相反的動作，是一種從二值化影像的邊界上，將邊 界向外膨脹若干個像素，在數學式上表示為
} ˆ)
(
|
{
B S x S B
D x (2.6)
下圖 2-3 呈現兩個膨脹效果。
圖 2-3 膨脹的效果
註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.
（三）斷開(Opening)
定義為：
S S B S
B ( )
(2.7)意思就是說先進從侵蝕再進行膨脹，或是重複侵蝕直到不想要的點或 線，再用膨脹同樣的次數來恢復原形。這樣的進行方式可以用來將物體邊 界外的雜訊及小分枝消除。圖 2-4 呈現斷開效果。
圖 2-4 斷開的效果
註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.
（四）閉合(Closing)
定義為：
S S B S
B ( )
(2.8)這個部分與斷開是完全相反的動作，就是先膨帳再侵蝕。也與斷一 樣，可以重復使用，但要注意在恢復影像的時候，膨脹過幾次就要收縮幾 次，這樣可以使物體內的洞補口，或是修補兩端點間的缺口或連結斷線及 細長形的缺口等。圖 2-5 呈現閉合效果。
圖 2-5 閉合的效果
註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.
貳、動作之樣式辨識
一、分類器（Classifier）
分類器最主要的功能是用來判定類別，依照資料的特徵，但資料有可 能不是使用一個分類器就可以得到最達佳效果，因此會透過使用同一組資 料來測試分類器，選擇最適當的分類器。本研究中使用 ML、KNN 為主要 的分類器工具。
（一）最大概似分類器（Maximum Likelihood Classifier, ML）
Li ke lihood
類別 1
類別 2
)2(x ) L
1(x L
x
圖 2-6 ML 分類器辨識示意圖
（二）最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）
最近鄰近法分類器在分類器中也是一種很常見的一種分類器，其基本 觀念相當直觀，如果要判定某一個未知的測試樣本點 x，先找到其他最近 k 個已知的樣本點(本研究使用歐式距離)，再使用這 k 個已知樣本點進行投 票。將此未知的測試樣本點判定給得票數最高的類別，本研究中使用的是 1NN 的分類器。