修改過後的結合演算法

一個畫面，即是一個物體，那再這個畫面附近變動的時後，勢必和繞著一 個物體選轉拍攝，有異曲同工的效果，如圖 20 所示：

camera View angle

圖 20 利用攝影機選轉模仿多角度觀察物體

所以將上述演算法稍做改良，勢必對我們縮減資料量，有很大的助益。上 述的概念是將一連串序列的影像，透過尋求最佳的特徵面，來描述該物體 的外觀，然而仍存在幾個缺點

1. 每個物體在建立資料庫時，都必須使用 M 張照取樣順序排列的面，

即照拍攝角度由小到大排列的視角順序的面，才能代入演算法去建 資料庫。

2. 由於此法假設取樣的物體的面是足夠多去表示此物體的，但實際上 我們知道一個物體可能投影出的面是無限多的，所以，此假設是會 有問題的，因此必須有一個可以更新資料庫的機制，使的資料庫變 的更完善。不幸的是，此法若要更新資料庫，則必須把物體全部M 張面加上新進用來更新資料庫的面，重新按照拍攝角度由小到大排 列的視角順序排好，全部再重新代入演算法去建資料庫，即無法簡 單地一張一張的更新，而是不管有幾張要更新，都要加上之前的全 部重算。

此法不致因物體的對稱性的關係而多出一些不必要的外觀，但這樣 做還是不能完全避免不必要的外觀，例如像完全對稱的物體就還是 會產生不必要的外觀。

因此有[27]提出的改善機制，他保留了 Cyr and Kimia 提出的外觀結合演算 法分開建立資料庫的好處。然而，新的外觀結合演算法也是一種基於相似 度的方法，所以利用其相似度相近者合併的原理，來輔助我們減低資料 量，而且不用考慮到影像資訊所獲得的順序，對於將來資料庫升級(update) 來說，有很大的助益，以下，就將其減低物體特徵面描述的機制，改成我 們減低場景影像資料的機制：

首先，先定義一些用於下列說明的符號，

V

_new指的是新進來要建立資 料庫的某場景的某個影像，

C

_m是此物體資料庫中某場景的第m個角度之特 徵影像，

C

mmin±₁則是此新進來的影像與所有此場景資料庫中距離最近的那 個特徵影像的相鄰左右兩個特徵影像的角度，

m

^min代表此新進來的影像與 所有此場景的特徵影像中距離最近的那個特徵影像。

接著列出此新的外觀結合演算法(用於場景資料庫建立)運作的步驟如 下：

1. 當有一個新進影像要建立某場景資料庫時，先判斷此時此場景中的 資料庫裡已存在多少個特徵影像。

2. 依據外觀的數目，來做其建立此場景的資料庫的動作。

（a）特徵影像的數目=0：

此新進來的影像直接形成一個外觀，且此特徵影像就是此新進來 的影像。

（b）特徵影像的數目=1 或 2：

若下式成立，則不增加新的特徵影像，且將此新進來的面直接併

min

(

,

)

_1

Cmd V_new C_m threshold

all < （4-4）

若不符合上式，即此新進來的影像與所有此場景中的特徵面距離 最近的那一個距離比門檻值

threshold

_1大，而此時，此新進來的 影像就會形成一個新的特徵影像，且此新特徵影像的就是此新進 來的影像。

（c）特徵影像的數目≧3：

設定兩個門檻值，來縮減資料量：

(

,

)

_2 , _2 _1

min

Cmd V_new C_m threshold threshold threshold

all > > （4-5）

(

^,

)

^_2

(

^,

)

^_2

min ₁

C_md V_new C_m threshold and dV_new C_m^min threshold

all < _± > （4-6）

若（4-5）或（4-6）其中一式成立且（4-4）式不成立，則此新進 來的影像就會形成一個新的特徵影像，且此新特徵影像就是此新 進來的影像。至於此新特徵影像的位置，則依據（4-7）式來判定，

若成立，則此新外觀加在

m

^min和

m

^min−1兩個影像之間，反之，加在

m

min和

m

^min+1兩個影像之間。

d ( V

new^,

C

m^min₊₁

) (

^>

d V

new^,

C

_m^min₋₁

)

（4-7）

若此時（4-5）或（4-6）兩式皆不成立或是（4-4）成立，則不增 加新的特徵影像，且將此新進來的影像直接併入此擁有最小距離 的特徵影像，且此特徵影像還是保持不變。

步驟2 的（c）的含義就是說，此新進來的影像與所有此場景的特徵影 像中距離最近的那一個距離，

1. 若比

threshold

_1小，則合併此新進來的影像。

2. 若比

threshold

_1大、比

threshold

_2小，則依據跟

m

^min左右兩個特徵 影像的關係來決定，也就是說跟

m

^min左右兩個特徵影像的距離都大

則合併此新進來的影像。

3. 若比

threshold

_2大，則要用此新進來的影像新增一個特徵影像。

所以，由上述步驟2 的（c）的說明可知，這兩個門檻值會影響整個新 的外觀結合演算法最後得到的結果，因此若希望適當的資料庫，則此處兩 個門檻值的設定就變的很重要。值得注意的是，

threshold

_1的值不能設定 的與

threshold

_2的值比例差太大，否則會導致此場景的資料庫裡的特徵影 像的數目不斷的增加，而使得用來表達場景的特徵影像過度表達。而若

2 _

threshold

設定的值越小，場景就會被表達的越細微，即特徵影像的數目

會越多，當然此時用來表達場景也可能會過度表達。

如此可以透過上述的方式，將同一場景內不同角度所攝影到的點，透 過相似度的判定，而本論文採用的相似度是透過Kullback-Leibler 距離來量 測，利用KL 距離來跟兩個門檻值做比較；當兩個模型透過 EM 演算法建 立出來之後，要判別兩個模型是否都留下來，就再利用此機制，可以輕鬆 的幫助我們選擇適當的保留特徵影像來描述該場景的位置，而不必人工去 挑選資料庫，可以提升後段的辨識率，減低運算時間，更減少資料量，一 石三鳥，而唯一稍微需要嘗試的則是兩個門檻值的調變，將會影像資料庫 的大小與辨識的結果。而修改過後的結合演算法，其流程圖如下圖 21 所 示：

獲得新角度的影像

d V C threshold d V C _± threshold

在文檔中 利用空間高斯混合模型進行影像地標判定及輔助定位 (頁 49-54)