二、 背景模型的建立
4.2 動態連續影像的偵測結果
在接下來的動態連續影像中，攝影機會隨著人移動，但偵測的結果還是可以看 出前景物大致上可以區分出來，但是背景物體的一些部份溫度跟人的溫度有一些接 近的地方，造成人在比對的時候會找到符合的模型，導致人的切割上，會有一些部 份受到背景物體的影響。圖 4-4 為動態連續影像的偵測結果。
（a） （b）
（c） （d）
圖 4-11 動態連續影像偵測結果（a），（b），..，（k）分別是第 1,20,40,60,80,100,120,140,160,180,200 張影像。
（e） （f）
（g） （h）
（h） （j）
圖 4-12 動態連續影像偵測結果（a），（b），..，（k）分別是第 1,20,40,60,80,100,120,140,160,180,200 張影像。（續）
（k）
圖 4-13 動態連續影像偵測結果（a），（b），..，（k）分別是第 1,20,40,60,80,100,120,140,160,180,200 張影像。（續）
圖 4-4 除了微波爐回影響到人的部份，還有一個問題就是人擋住微波爐的時 間太久，當人走過後微波爐便無法在 5×5 的區域內找到符合的模型。所以我們是 必須要考量物體的移動和遮蔽問題，還有就是由於攝影機的移動，畫面左側也多 了一些可能不是前景（白色）的區域。
再來就是我們與高斯混合模型，在移動式的攝影機偵測結果的比較。我們都 知道高斯混合模型比較適用於靜態的攝影機，但套用在移動式攝影機的偵測效 果，不會比靜態的偵測效果好。我們的方法雖然有利用到高斯混合模型，但為了 能套用在移動式攝影機，所以做了不同於高斯混合模型的改變。圖 4-5 左側部分 是高斯混合模型在移動式攝影機的偵測結果，而圖 4-5 的右側部分則是我們方法 的偵測結果。
（a1） （a2）
（b1） （b2）
（c1） （c2）
圖 4-14 動態連續影像比較 （a1），（b1），…，（m1）是高斯混合模型的結果，（a2），（b2），…，
（m2）是我們方法的結果。（a1）、（a2）是第一張紅外影像偵測結果，之後都是間隔 50 張的偵 測結果，最後（m1）、（m2）是第 600 張的偵測結果。
（d1） （d2）
（e1） （e2）
（f1） （f2）
圖 4-15 動態連續影像比較 （a1），（b1），…，（m1）是高斯混合模型的結果，（a2），（b2），…，
（m2）是我們方法的結果。（a1）、（a2）是第一張紅外影像偵測結果，之後都是間隔 50 張的偵 測結果，最後（m1）、（m2）是第 600 張的偵測結果。（續）
（g1） （g2）
（h1） （h2）
（i1） （i2）
圖 4-16 動態連續影像比較 （a1），（b1），…，（m1）是高斯混合模型的結果，（a2），（b2），…，
（m2）是我們方法的結果。（a1）、（a2）是第一張紅外影像偵測結果，之後都是間隔 50 張的偵 測結果，最後（m1）、（m2）是第 600 張的偵測結果。（續）
（j1） （j2）
（k1） （k2）
（l1） （l2）
圖 4-17 動態連續影像比較 （a1），（b1），…，（m1）是高斯混合模型的結果，（a2），（b2），…，
（m2）是我們方法的結果。（a1）、（a2）是第一張紅外影像偵測結果，之後都是間隔 50 張的偵 測結果，最後（m1）、（m2）是第 600 張的偵測結果。（續）
（m1） （m2）
圖 4-18 動態連續影像比較 （a1），（b1），…，（m1）是高斯混合模型的結果，（a2），（b2），…，
（m2）是我們方法的結果。（a1）、（a2）是第一張紅外影像偵測結果，之後都是間隔 50 張的偵 測結果，最後（m1）、（m2）是第 600 張的偵測結果。（續）
圖 4-5 兩個方法的執行時間上，高斯混合模型花費 21.5345 秒，我們的方法則 花費 32.0999 秒。但從圖中可以看出我們方法的偵測結果，與高斯混合模型的偵測 結果差異。從圖 4-5（h1）之後可以看到，前景的切割部分與我們的切割有些差異，
因為高斯混合模型會一段時間內將前景物歸為背景，但我們的方法就無此問題。
例如最後的兩個畫面中前景的中央區域先被高斯混合模型歸為背景，一旦前景物 離開，又造成高斯混合模型將原本背景的部份當作前景的問題，所以造成前景部 份切割並不是很好。
五、結論與未來展望
在本篇論文中，我們以高斯混合模型當為基礎，稍微改變一下模型的維度，
建出起始的高斯模型後，再利用連通區域標記法，對於不同的物體给予不同的模 型，最後再修補一些鄰近的相似點，背景模型的建立就可以有良好的結果。之後 的影像都會對建好的模型，在 5×5 的區域做比對動作，一旦有符合的模型該像素 便會記錄符合的模型，若沒有符合就會再比對影像強度，使與背景不符的像素減 少。最後影像中所有的像素都做完比對後，再把紀錄符合的模型，一一重算新的 模型，再把現在的模型，跟上一張的模型，做更新的計算。依此方法所偵測得的 前景的區域，大致上都可以獲得比傳統高斯混合模型計算所得更為完整的輪廓。
對於未來的研究，要改善的是場景移動時，新的背景可能導致我們不想要的 前景區域會出現，所以必須要有一個方法，可以正確的找出我們想要的前景區域。
另外就是背景的物體，如果有跟前景物體溫度接近的情況下，是否可以完全區分 前景物體跟背景物體，仍有待探討。還有就是去探討如果背景物體有被前景物體 遮蔽，遮蔽的時間太久，導致背景物體無法找到接近的模型，是否有其他方法可 以解決。
參考文獻
[1] R. C. Gonzales and R. E. Woods, Digital Image Processing 2nd ed., Prentice Hall New Jersey, 2002.
[2] J. Silverman, J. Mooney, W. Ewing, and D. Saro, “Real-Time Automated Scene Display for Infrared Cameras,” United States Patent 5249241, 1993.
[3] 王俊昌, 莊仁輝, “一個實用的紅外線影像對比強化方法,” 中華民國專利發 明 I255653, 2006.
[4] C. Stauffer and W. E. L Grimson, “Adaptive Background Mixture Models for Real-Time Tracking,” IEEE Conference on Computer Vision and Pattern Recognition, vol. 2, pp. 2, 1999.
[5] W. E. L. Grimson, C. Stauffer, R. Romano, and L. Lee. “Using Adaptive Tacking to Classify and Monitor Activities in a Site,” IEEE Conference on Computer Vision and Pattern Recognition, pp.22-29, June 1998.
[6] S. Birchfield, “An Elliptical Head Tracker,” Asilomar Conference on Signals, Systems and Computers, vol. 2, pp. 1710-1714, 1997.
[7] T. Zhao and R. Nevatia, “Tracking Multiple Humans in Complex Situations,”
Pattern Analysis and Machine Intelligence, vol. 26, pp. 1208-1212, 2004.
[8] L. D. Stefano and A. Bulgarelli, “A Simple and Efficient Connected Components Labeling Algorithm,” International Conference on Image Analysis and Processing, pp. 322-327, 1999.
[9] S.A. Berrabah, G. De Cubber, V Enescu, and H. Sahli, “MRF-Based Foreground Detection in Image Sequences from a Moving Camera,” IEEE International Conference on Image Processing, pp. 1125 – 1128, 2006
[10] D. Zhou and H. Zhang, “Modified GMM Background Modeling and Optical Flow for Detection of Moving Objects,” IEEE International Conference on Systems, Man and Cybernetics, vol. 3, pp. 2224 – 2229, 2005
[11] M. Fathy and M. Y. Siyal, “An Image Detection Technique Based on Morphological Edge Detection and Background Differencing for Real-Time Traffic Analysis,” Pattern Recognition, vol. 16, pp. 1321-1330, 1995.
[12] A. J. Lipton, H. Fujiyoshi and R. S. Patil, “Moving Target Classification and Tracking from Real-Time Video,” Fourth IEEE Workshop on Application of Computer Vision, pp. 8-4, 1998.