動態資料庫實驗結果、統計、分析與比較

在動態資料庫的實驗上首先進行動態資料庫實驗流程的展示與說明。另外由 於有 4 種人形分類器，而其中包含純軟體(Pure SW)與軟硬體協同設計(SW/HW Co-Design)兩種，所以每段影片會有 8 組實驗數據，共有 11 段實驗影片，所以一 共有 88 組實驗數據。以及進行第四章所提到的人形偵測系統應用之一的熱區圖分 析，使用我們的方法 HOG-AdaBoost-LFV(Method 4)(SW/HW Co-Design)對 11 段影 片的運算結果進行熱區圖(Heat Map)的繪製與展示。

首先使用拍攝自校園的動態資料庫 Campus Test Video 1~3 三部影片各取一張 Frame 做為動態資料庫實驗流程的展示，如圖 6-9 所示。另外為了方便展示，圖 6-9(b、

c、d)是以彩色表示，但是實際系統運作過程中是採用灰階進行運算。圖 6-9(a)為 原圖，經過背景切割(Background Segmentation)的步驟後得到圖 6-9(b)。再經由偵 測視窗切割(Detection Window Segmentation)的步驟得到我們實際要計算的範圍圖 6-9(c)。接著將圖 6-9(c)中每個需要計算的偵測視窗候選，依序進行 HOG 直方圖的 計算，一個 Block 會得到一個 36 維的向量直方圖，如圖 6-9(d)，並以 SVM 進行分 類後得到結果圖 6-9(e)。因為會有偵測結果視窗重疊的情形，我們還進行了後處理 (NMS、MS)，減少偵測視窗重疊的情形，得到最終偵測結果的圖 6-9(f)。

110

…… …… ……

a

b

c

d

e

f

圖 6-9 動態資料庫實驗流程範例圖。

(a)來源影像。(b)背景切割。(c)偵測視窗切割，即實際偵測範圍。(d)中間過程之 HOG 計算。(e)未經後處理的結果。(f)經過後處理的結果。

111

表 6-8 動態資料庫實驗結果

DataSets

HOG-AdaBoost (Method 2)

GDguiding AdaBoost (Method 3)

Caviar

2007 AVSS

Campus

Surveillance Camera

HOG-AdaBoost-LFV(Our) (Method 4) Dalal

(Method 1)

Caviar Test Video 1

AVSS Test Video 1

AVSS Test Video 2

AVSS Test Video 3

AVSS Test Video 4 Campus

Test Video 1 Campus

Test Video 2 Campus

Test Video 3

Ours Test Video 1

Ours Test Video 2

Ours Test Video 3

Video 51.52 10.20 38.21 5.90 34.60 12.93 52.28 6.62 53.99 9.92 38.02 11.62 36.31 21.75 50.76 11.47 90.62 11.76 68.75 3.57 90.62 62.24 90.62 17.24 93.75 14.54 75.00 2.94 78.12 14.28 87.50 19.35 88.88 15.07 70.37 1.29 76.54 49.44 97.53 20.14 88.88 11.53 66.66 1.56 62.96 10.00 93.82 14.28 82.24 28.37 72.89 2.27 83.17 50.95 95.32 31.30 85.04 28.75 74.76 8.33 83.17 22.48 96.26 21.56 89.04 15.87 79.45 2.70 97.26 56.28 90.41 18.04 90.41 16.66 87.67 10.22 83.56 23.23 93.15 22.54 68.48 18.12 36.36 28.40 41.21 27.50 63.33 18.81 68.78 18.53 42.12 26.63 39.39 26.06 66.66 21.23 53.96 2.89 46.60 2.34 51.69 6.20 54.71 2.22 55.28 3.66 41.13 3.01 46.03 6.90 53.77 5.27 49.50 3.80 28.14 3.37 30.93 18.78 46.50 4.40 51.09 2.63 27.74 5.29 25.54 30.89 49.10 6.61 55.20 3.88 37.5 1.75 36.45 1.81 55.20 2.79 54.86 4.39 37.5 0.88 37.15 0.88 57.63 3.24 59.37 0.70 32.14 3.94 32.14 5.06 60.26 3.31 58.48 0.70 29.46 1.49 29.46 2.81 60.26 0.00 45.00 2.98 29.23 5.61 27.69 6.02 47.30 1.45 43.84 3.81 25.00 6.75 25.00 8.10 45.76 1.48 Method

動態資料庫實驗結果如表 6-8 所示。在動態資料庫實驗結果中可以發現，其效 能與靜態資料庫實驗結果的落差不大，HOG-AdaBoost(Method 2)與 GDguiding AdaBoost(Method 3)的效能較差，但兩者在不同的影片上互有優劣。Dalal(Method 1)

112

與 HOG-AdaBoost-LFV(Method 4)的效能較佳，兩者在不同的影片上也是互有優劣。

另外在四種方法的純軟體(SW)與軟硬體協同設計(SW/HW Co-Design)的比較中，

HOG-AdaBoost(Method 2)與 GDguiding AdaBoost(Method 3)的偵測率(DR)落差較大，

有±12%的落差。但 Dalal(Method 1)與 HOG-AdaBoost-LFV(Method 4)的偵測率(DR) 落差較小，只有±4%的落差。

另 外 從 整 體 最 終 偵 測 結 果 的 表 現上 來 觀 察 ， HOG-AdaBoost(Method 2) 與 GDguiding AdaBoost(Method 3)偵測結果的標記偵測視窗較少，即較常把人錯誤的 分類為非人，所以偵測率較低。而 Dalal(Method 1)與 HOG-AdaBoost-LFV(Method 4) 偵測結果的標記偵測視窗較多，即較常把人正確的分類為人，所以偵測率較高，

其比較如圖 6-10 所示。另外在誤判率(FR)的比較上，HOG-AdaBoost(Method 2)因 為其標記偵測視窗數量最少，所以其誤判率也是最低的，接著是 Dalal(Method 1) 與 HOG-AdaBoost-LFV(Method 4)，而 GDguiding AdaBoost(Method 3)的誤判率明 顯比其他三種方法高。

(a) Dalal (Method 1)(SW/HW)

(b) HOG-AdaBoost (Method 2)(SW/HW)

(c) GDguiding AdaBoost (Method 3)(SW/HW)

(d) HOG-AdaBoost-LFV (Method 4)(SW/HW) 圖 6-10 四種方法偵測結果比較

113

接著進行系統運作與運作結果的展示，圖 6-11 是 MaCube 嵌入式平台實際運 作人形偵測系統時的照片，是預先將影片的 Frame 轉為 BMP 圖檔儲存於平台的內 部的 Flash 空間，系統依序讀取每張圖檔並進行運算與儲存運算結果。

圖 6-11 嵌入式平台實際運作照片

將 Caviar 資料庫、2007 AVSS 資料庫、Campus 資料庫、Surveillance Camera 資料庫，共四套影像資料庫的 11 段影片各取一張 Frame 作為人形偵測結果的展示。

結 果 分 別 依 序 如 圖 6-12~ 圖 6-15 所 示 。 這 些 結 果 圖 片 是 採 用 我 們 的 方 法 HOG-AdaBoost-LFV(Method 4)(SW/HW Co-Design)所執行出來的結果。

Caviar Test Video 1

圖 6-12 Caviar 資料庫影片偵測結果

114

AVSS Test Video 1

AVSS Test Video 3 AVSS Test Video 4 AVSS Test Video 2

圖 6-13 2007 AVSS 資料庫影片偵測結果

Campus Test Video 3

Campus Test Video 2 Campus Test Video 1

圖 6-14 Campus 資料庫影片偵測結果

115

Ours Test Video 3 Ours Test Video 2

Ours Test Video 1

圖 6-15 Surveillance Camera 資料庫影片偵測結果

進行偵測結果的觀察，我們發現有一些情形會造成偵測不到人形，例如人形 過於模糊，即使以人工也難以判斷，如圖 6-16 所示；人形重疊情形嚴重，如圖 6-17 所示。

圖 6-16 過於模糊的人形

圖 6-17 嚴重重疊的人形

116

最後進行熱區圖(Heat Map)的繪製，將 Caviar 資料庫、2007 AVSS 資料庫、

Campus 資料庫、Surveillance Camera 資料庫，共四套影像資料庫的 11 段影片各經 由我們的人形偵測系統運算後將其結果繪製成熱區圖，其熱區圖繪製結果分別依 序如圖 6-18~圖 6-21 所示。熱區圖可作為人群駐留或人流分析，圖中顏色較深色 的位置即為人群停留較久或者較多人經過的位置。以圖 6-20 的 Campus Test Video 3 Heat Map 為例，可以觀察發現人流的路徑，基本上人流是在場景的右上角與左下 角之間移動。而圖 6-21 的 Ours Test Video 1 Heat Map 的人流則是平均的分布於走 廊；Ours Test Video 2 Heat Map 的人流則是位於走廊兩側；Ours Test Video 3 Heat Map 的人流則是位於走廊中間與左邊。使用這種方式進行分析可以減少大量人力 成本，只需將影片以系統運算後即可得到結果，而不需要以人力長時間進行影片 的監看。

Caviar Test Video 1 Heat Map

圖 6-18 Caviar 資料庫影片偵測結果之熱區圖繪製

117 AVSS Test Video1 Heat Map

AVSS Test Video 4 Heat Map AVSS Test Video 2 Heat Map

AVSS Test Video 3 Heat Map

圖 6-19 2007 AVSS 資料庫影片偵測結果之熱區圖繪製

Campus Test Video 2 Heat Map

Campus Test Video 3 Heat Map Campus Test Video 1 Heat Map

圖 6-20 Campus 資料庫影片偵測結果之熱區圖繪製

118

Ours Test Video 1 Heat Map Ours Test Video 2 Heat Map Ours Test Video 3 Heat Map

圖 6-21 Surveillance Camera 資料庫影片偵測結果之熱區圖繪製

119