第五章 實驗結果
5.4 家庭成員與非家庭成員之人臉辨識結果
由於在本論文中，寵物機器人的應用環境是在家庭之中，所以除了讓寵物機 器人能夠辨別家庭成員以外，並希望也能夠寵物機器人辨別出使用者是否為家庭 成員，而給予不同的互動模式。
在本實驗中，由於要辨認非家庭成員，就5.3 節之類神經網路來說，當測試 的人臉資料進入到類神經網路時，只要取當中輸出層最高的神經元即可辨識出該 成員，但是若測試資料為非家庭成員時，發現系統還是會將此非家庭成員辨識成 家庭裡的某一位成員，若在實用性來說是相當不足的。於是我們對此採用另一套 作法，首先將每一位家庭成員各自訓練出一組類神經網路，其網路架構如圖5-13 所示，當測試人臉資料進到辨識階段時，此資料會分別送到每個家庭成員的類神 經網路並搭配上原空間之距離作權重去判別是否為該家庭成員，若非該家庭成 員，則會繼續進入到下一位家庭成員之類神經網路，以此類推，若該人臉資料均 無法通過每位家庭成員的類神經網路輸出門檻值時，則可判定該人臉資料為非家 庭成員，其流程圖如圖5-14 所示。
假設有8 位成員進入到類神經網路作辨識，其中 5 位為家庭成員，分別為仕 傑、孟儒、巧敏、格豪及振暘，另外3 位為非家庭成員，分別為舒涵、裕宏及維 峻，訓練部份如同5.3.1 節所描述，每位家庭成員取 9 張作訓練資料，剩下的 36
圖5-13 每位家庭成員的類神經網路架構
圖5-14 類神經網路辨識流程圖
張為測試資料，同樣的，每位非家庭成員的測試資料也為36 張，包含多姿態的 人臉影像。在每位家庭成員的類神經網路中，我們所設的隱藏層神經元數目為 75 個，迭代次數為 5000 次，圖 5-15 為每位家庭成員在建立自己的類神經網路的 收斂情形，從圖中可看出在每人各自所訓練的類神經網路裡，均還是可以達到收 斂。表 5-3 為家庭成員與非家庭成員之人臉辨識結果，其整體平均正確率為 88.19%，可看出其效果並不太好，其原因為非家庭成員的不確定性很大，對於未 訓練過的非家庭成員資料作辨識時，無法準確的定出類神經網路的輸出門檻值，
以致於非家庭成員辨識不佳，此部份也為本論文未來需要加強的地方。
圖5-15 每位家庭成員經類神經網路訓練之 (a)收斂情形 (b)初始狀態
表5-3 家庭成員與非家庭成員之多姿態人臉辨識結果
5.5 結論與討論
在本章的實驗中，其經由辨識的部份，主要分成兩種情況來做，一種為 家庭成員多姿態人臉辨識，利用實驗室內建以及 UMIST 的多姿態人臉資料 庫其平均辨識率各別可達 95.56%以及 91%，驗證人臉在多姿態下均還是能有 效的判斷使用者為哪一位家庭成員；而另一種情況則是考慮若有非家庭成員 進入系統辨識時，系統能否判斷使用者為非家庭成員。由表5-3 可看出在非 家庭成員的辨識中，其效果並不佳，就目前的可能原因而言，一為雖然類神 經網路有經過資料庫成員的訓練，但是對於非資料庫成員卻無比對樣本，以 致於在類神經網路架構的辨識上容易誤判；二為在本章實驗中，由於人臉資 料樣本數取的不夠多，在做類神經網路訓練時，其訓練的樣本數只有 9 筆的 人臉資料，可能由於訓練樣本過少，而導致此類神經網路無法發揮其作用；
三為在類神經網路的架構中，我們是取最基本的架構來做分析，也就是此類 神經網路架構的隱藏層僅只有一層，導致在空間的類別切割時過於線性化，
要進一步來作加強，提升系統的辨識率。
就本實驗所使用的嵌入式影像平台而言，從經由 CMOS sensor 取像後，
經過人臉偵測、特徵擷取以及人臉辨識，在運算的速度上，每張影像的運算 時間 1.5 秒，也就是每三秒鐘可分析兩張影像。由於 AAM 演算法中，其運 算速度是與影像大小以及迭代次數成反比，因此在本系統的演算法上，我們 將人臉影像正規化成 120x100 的大小作分析，另外在迭代次數上，我們固定為 16 次，如此才可讓系統分析影像的時間是固定的，而讓寵物機器人與使用者進 行互動。