第三章 目標模型 目標模型 目標模型 目標模型的 的 的 的更新 更新 更新 更新
3.4 加入 加入 加入 加入線上模板資料庫建構的三維物體追蹤 線上模板資料庫建構的三維物體追蹤 線上模板資料庫建構的三維物體追蹤 線上模板資料庫建構的三維物體追蹤演算法 演算法 演算法 演算法
由於所有的目標模型更新方式皆是在既有的目標模型下，根據計算出來的候 選模型來進行加權而建構成新的目標模型以利於下一個 frame 使用，這會造成隨 著時間的流逝，新的目標模型所包含的顏色資訊會越來越雜，這與實際的情況並 不符合，也由於新的目標模型包含的顏色資訊會是之前好幾個 frame 的累加，只 是權重不同，這會造成當目標物在空間中快速旋轉時，因為目標模型更新顏色機 率值的速度不夠快，且又包含過多的顏色資訊，而降低了追蹤結果穩定性與準確 性。
藉由論文[12]提出利用目標物不同角度的圖片建立出多個顏色模型，我們也 想利用同樣的方式來建立好各種適當的目標模型資料庫以利追蹤過程使用，然而 論文[12]的缺點是必須在執行追蹤程式前，先行建立好所要追蹤的目標物的各個 面向的顏色模型，顯得非常不方便且適應性極低。為了解決上述缺點並同時進一 步地增進追蹤的效能，我們提出使用線上模板資料庫建構的追蹤演算法。
3.4.1
線上模板 線上模板 線上模板 線上模板資料庫 資料庫 資料庫 資料庫建構 建構 建構 建構的準則 的準則 的準則 的準則
欲建立目標模型資料庫，必須去判斷計算出來的候選模型與資料庫裡的所有 目標模型是否有相似，若有相似，則不儲存，若不相似，則視為新的面向的目標 模型儲存進資料庫中。而判斷是否相似的準則我們採用兩個部份：顏色機率模型 與三維空間分佈。
1. 顏色機率模型：
利用 Bhattacharyya coefficient 來判斷計算出來的候選模型與資料庫內的所有 模型是否有相似：
∑
== ′
′ m
u
index D index u new PCA u index
D index new
PCA p p
1
, 3 ,
,
3
)] ( ) ( y )
y ( p , ) ( p
[ µ µ
ρ
(3-17)
前項的
p
′( µ
PCAnew)
代表做完主成份分析之後得到的新的中央位置µ
PCAnew，再代入求出候選模型的顏色機率值。後項的
p
index( y
3D,index)
代表資料庫裡所有索引的模同樣地，我們利用 Bhattacharyya coefficient 的概念來判斷候選模型的三維空間分 佈與資料庫內的所有模型的三維空間分佈是否有相似。因此我們先將三個特徵值 做歸一化(Normalize)的動作：
min
然後利用 Bhattacharyya coefficient 的概念來計算三維空間分佈相似度：
index index
ndex
index max max,i med med, min min,
candidate
, ]
[ λ λ λ λ λ λ λ λ
ρ
= + +(3-19)
index 代表資料庫內的資料索引。至此，式(3-16)與式(3-18)就可用來判斷資
料庫的內容在追蹤的過程中是否要繼續增加。
維平均位移演算法使用，我們令
為了追蹤的穩定性與準確性，直接取資料庫內的模型使用，這也能增加追蹤的速 度，避免因目標模型的更新速度過慢而導致誤差產生。
綜合式(3-20)、式(3-21)和式(3-22)，可得建立目標模型資料庫的準則為：
:
稱此方法為 OTDMU(Online Template Database construction Model Updating)。
3.4.2
加入 加入 加入 加入
OTDMU的 的三維平均 的 的 三維平均 三維平均 三維平均位移 位移 位移 位移演算法流程 演算法流程 演算法流程 演算法流程圖 圖 圖 圖
t index index圖 3.4-1: 加入 OTDMU 的三維平均位移演算法流程圖