在先前第四章中我們所提出的以自動車座標系為中心之平面轉換定位方法，
雖然運用了數個方法刪除某些離異值以改進自動車定位的結果，但是仍然無法獲 致理想的定位路徑。在此，我們回歸到以不同特徵點取樣的定位結果探討有哪些 特徵點是明顯的離異值。圖 5-6 是在自動車行進過程所拍攝影像中，只針對影像 中的單 1 個特徵點所的做之定位結果。可以發現，如果利用最靠近自動車之可見 特徵點的運動向量估算自動車定位任務時，自動車的軌跡相當穩定，加上運算是 取樣單一的特徵點轉換至空間平面，複雜度也降低許多。接著，如果我們再利用 圖 5-6(a)在影像中最靠近自動車的 1 個、2 個、3 個或 4 個四種特徵點做追蹤，則 可得圖 5-7 的定位結果。從圖中可以發現，當採用的特徵點數越多，利用最小平 方法，越容易產生不穩定的結果產生。這在我們的實驗場景跟測試影像是可預期 的。原因是由於當我們所參考的特徵點數越多，且所利用的特徵點距離自動車位 置越遠，則每一個特徵點在影像與影像之間平移的量值彼此之間變異量較大。這 時若利用最小平方法的方式求解，容易造成龐大的誤差而干擾定位的結果。因此，
若是要加入多數的特徵點運動向量，我們應改進篩選的方式，藉此整合定位所需 的特徵點運動向量以達到嚴謹自動車定位方法。
接著，我們討論其他的單一特徵點定位結果，利用圖 5-6(a)編號為 6 至 11 點 的特徵點做自動車定位分析。由圖 5-8 可看出利用這些距離自動車較遠的影像特 徵點，即使只採用一點做自動車定位的計算其定位結果亦無法達到理想定位軌 跡。因此，依據以上的討論，我們採用影像中最接近自動車的單一特徵點運動向
量做自動車的定位計算，其定位結果如圖 5-9 所示。此方法其實就是將圖 5-6(b) 的單一影像特徵點定位結果做銜接，以得到穩定的運動向量。而相較於以
Cross-Ratio 為基礎的定位方法，定位出來的自動車軌跡也較為平緩。但這樣的方 法有幾個缺點：（1）需要自動車中心的起始位置，自動車只能針對所架設攝影機 擷取到的影像特徵，計算其相對的運動向量。若是缺少了這樣的資訊，自動車即 無法定位，（2）自動車的定位都是利用當下轉換至空間場景的影像特徵點與第一 張轉換至平面空間的特徵點計算差值，當自動車執行了一定時間之後，因特徵點 更換，將會造成誤差累積，到後期自動車定位準確性將會劇降，這樣的缺點是我 們需要注意的。
(a)
(b)
圖 5-6 使用單一特徵點之定位結果（編號 0、1、2、3、4、5 依序對應黑、黃、綠、粉、藍、青)
圖 5-7 使用最靠近自動車的 1 個（粉紫）、2 個（黑）、3 個（綠）及 4 個（藍）影像特徵點之定 位結果
圖 5-9 利用最鄰近的路標定位（紅色為以自動車座標系為中心之平面轉換定位方法，黑色為以 Cross-Ratio 為基礎之定位方法）