實驗一

在進行 TPLZP 的運算前，我們會先將經過 GEI 處理後的影像切割為 個 區塊，辨識效能的結果會隨著區塊數量變化而有所改變，且資料量與計算時間也 有密切的關係。隨著切割區塊數的增加，計算特徵值的次數也會增加，使得計算 時間上升，特徵直方圖維度亦會隨之變大成 ；如此一來，勢必會影 響後續在 SVM 訓練模型與性別分類的時間。本實驗我們以 CASIA dataset B 步態 資料庫作為測試對象，並將 n 值設定為 1 至 10 以觀察切割區塊數對辨識效能的 影響，同時，我們也改變了 TPLZP 中的 τ 值與 r 值，觀察其是否會影響辨識率，

其它 TPLZP 參數固定為 與 。相關實驗結果如表 4.2 至表 4.6 所示。

表 4.2：TPLZP 在 時，不同切割區塊數與門檻值對於辨識效能的影響

切割區塊數

85.62 87.10 84.75 84.42 85.14 92.68 91.05 90.46 90.99 90.70 91.99 92.81 91.94 91.93 91.41 95.03 93.95 94.23 93.69 94.23 96.85 95.82 95.77 95.63 95.42 96.71 96.84 96.78 95.63 95.50 97.25 96.98 96.77 97.11 96.97 97.98 98.04 97.45 97.65 97.10 97.85 97.05 96.91 97.01 97.44 95.19 90.56 95.98 96.17 95.65

34

根據表 4.2 的實驗結果發現，當 時，隨著切割區塊數的遞增，擷取出的

辨識特徵資訊變多且辨識率有逐漸上升的趨勢，不論τ 值為多少，在切割區塊數

為 時，我們幾乎都獲得最高的辨識率。當切割區塊數繼續增加時，辨識率

開始些微的下降，當切割區塊數到達 時則開始出現明顯的下降情況，我 們推斷原因是因為區塊數過多，導致過多的多餘資訊使 SVM 無法準確的建立超 平面，進而造成辨識率的下降。而 τ 值在 時，不管其值為何，對於實驗結 果並不明顯。在 、 且切割區塊數為 時，我們得到了最高的辨識率 。

仿照前述實驗，我們繼續測試在不同的 r 值與區塊數目下，對於辨識效能有 何影響。相關實驗數據如表 4.3 至表 4.6 所示。

表 4.3：TPLZP 在 時，不同切割區塊數與門檻值對於辨識效能的影響

切割區塊數

88.04 89.72 87.24 85.09 86.09 93.14 93.11 91.40 91.27 91.51 93.47 93.96 92.06 93.54 92.01 94.22 94.22 94.69 94.76 94.49 96.57 96.78 96.64 96.10 96.64 96.98 97.18 96.70 96.97 96.70 97.45 97.31 97.58 97.24 97.85 98.03 98.20 97.71 97.85 98.12 98.05 97.58 97.78 97.71 98.02 98.09 95.90 96.97 97.78 97.98

35

根據表 4.3 的實驗結果發現，當 時，隨著切割區塊數的遞增，擷取出的 辨識特徵資訊變多且辨識率仍然與 時一樣有逐漸上升的趨勢，不論 τ 值為

多少，在切割區塊數為 時，我們幾乎都獲得最高的辨識率。當切割區塊數

繼續增加時，辨識率開始出現持平或些微的下降趨勢，而 τ 值在 時，不管 其值為何，對於實驗結果並不明顯；因此，從表 4.2 與表 4.3，我們推斷切割區 塊數對於辨識率是有幫助的，而τ 值對於實驗結果影響並不明顯。在 、 且切割區塊數為 時我們得到了最高的辨識率 。

表 4.4：TPLZP 在 且 時，不同切割區塊數對於辨識效能的影響

區塊數 直方圖維度 辨識率(%)

94.40

36

表 4.5：TPLZP 在 且 時，不同切割區塊數對於辨識效能的影響

區塊數 直方圖維度 辨識率(%)

94.41

表 4.6：TPLZP 在 且 時，不同切割區塊數對於辨識效能的影響

區塊數 直方圖維度 辨識率(%)

94.41

37

根據表 4.4 至表 4.6 的實驗結果可以發現，其辨識效能皆呈現隨著切割區塊 數的增加，擷取出的辨識特徵變多而使得辨識率逐漸上升的趨勢。當 時，

最佳辨識率落在切割區塊數為 ，與表 4.2 與 4.3 相比，雖然可以獲得相近的 辨識率，但需要達到最佳辨識率必然會因特徵直方圖維度較大的影響，導致在特 徵擷取、SVM 模型訓練、與 SVM 分類的耗費時間大於 與 時甚多。

所以在兼顧區塊數量、直方圖維度及訓練時間等因素的考量下，設定 所獲 取的系統成效必然會略遜一籌。當 時，雖然在切割區塊數 時就獲得了 最高辨識率 %，但略低於在表 4.3 所得到的 ，當 時，就相差更 多了。所以從表 4.2 至 4.6 的結果觀察，當 且切割區塊數為 時，我們可 以獲得最佳辨識率 %。

另外我們取出 且切割區塊數為 時之分類結果進行分析，統計出混 淆矩陣(confusion matrix)如表 4.7 所示。由表 4.7 可觀察到，女性誤判率明顯較高，

其原因可能是因為資料庫中有某幾位女性影像極為男性化(如圖 4.7)，不管是原 始影像或是 GEI 處理後的影像，以肉眼判斷幾乎與男性影像沒有差異；此外也 有可能因為資料庫中男女的取樣數量比為 3：1，可能會使男性的模型的建構上 比較完整。

表 4.7： , Recognition rate (%)

男 女

男 99.32 0.68

女 5.19 94.81

38

圖 4.7：資料庫中較男性化之女性原始影像與 GEI 處理後影像之範例