第四章 實驗
4.3 實驗數據與結果
我們利用 Change Detection 所提供的方法來估算我們的實驗數據(Tabel2) ，並與 GMMkaew[21]、GMMkaew+PSP-MRF 比較，由數據中可看到，我們的方法相較於其他 兩個方法，在 Recall 中可以知道，在目標物的完整度上我們的方法是優於其它兩種方 法的。可是在 FPR 中因為晃動將使背景誤判出雜點，我們的方法卻將雜點誤認成物件，
反而補強了原本不是物件的區域，因此在誤判方面的數據並沒有太大的改善。
Table 2 使用 Change Detection 方法估算 GMMkaew、GMMkaew+PSP-MRF、GMMkaew +ISPG 之數據結果。
演算法 Recall Sp FPR FNR PBC F-Measure Precision GMMkaew 0.5072 0.9947 0.0053 0.0291 3.1051 0.5904 0.8228 GMMkaew+PSP-MRF 0.5221 0.9948 0.0052 0.0284 3.0252 0.6043 0.8359 GMMkaew+ISPG
0.6465 0.9949 0.0050 0.0132 2.0526 0.6461 0.8803
32
我們也試著用其它物件偵測方法結合 ISPG，得到完整的目標物。Tabel 3 是我們使用 SOBS[22]結合 ISPG 方法取得物件，並用 Change Detection 計算數據後所得到的結果。
SOBS 是使用類神經地圖的機器學習方法來偵測物件，從下面的表格可以看出，我們 使用 SOBS 結合 ISPG 在取得物件完整度方面有很大的成效。
Table 3 使用 Change Detection 方法估算 SOBS、SOBS+PSP-MRF、SOBS+ISPG 之數 據結果。
演算法 Recall Sp FPR FNR PBC F-Measure Precision SOBS 0.7882 0.9818 0.0182 0.0094 2.5642 0.7159 0.7179 SOBS+PSP-MRF 0.8037 0.9830 0.0170 0.0089 2.3937 0.7372 0.7512 SOBS+ISPG
0.9039 0.9914 0.0121 0.0068 1.3788 0.7151 0.7985
我們將利用二值化影像來表示我們的目標區域，將影像中目標的部分數值定為白 色(灰階值=255)，非目標的部分為黑色(灰階值=0) (如圖 4-3 g ~ r) 。圖 4-3 是在 baseline 類別中 pedestrians 的影像，在這測試影像中一共有 1099 張的影像圖片，前面的 1~299 張影像是背景的部分，可用來訓練背景模型。在此類別的測試影片中，背景都較為單 純，並不會出現太多的光影變化或振動的干擾。我們的方法 GMMkaew +ISPG 在此類 別中可以很好的將目標物完整的切割，改善 GMMkaew 目標物破碎不完整的問題。圖 4-4 是 Camera Jitter 類別中名為 boulevard 的測試影像，在這個類別中的影像背景都會 出現晃動的問題。在這測試影像中總共有 2500 張的影像圖片，每張影像都有不同程 度的晃動問題，我們利用 ISPG 方法可以將背景細小的殘點部分消除。
dynamicBackground 類別中的 overpass 的測試影像，一共有 3000 張的測試圖片，在這 個類別中的影像會出現許多的動態背景，以 overpass 為例，在這個影像中會出現搖晃 的樹枝、以及湖中的波紋等不同的動態背景，我們使用 ISPG 方法，改善 GMM 受動
33
態背景干擾而出現破碎的部分，使物件目標完整的呈現。peopleInShade 影像中有 1199 張測試影像，被分類到 Shadow 的類別中，在此類別中 GMM 方法會受到陰影干擾而 使物件部分有局部出現破碎的情況(圖 4-6 g~l)，我們利用 ISPG 將目標物與陰影分割，
改善陰影對物件畫面所造成的影響。Library 測試影像是由紅外線攝影機所拍攝的測 試影像，此類別的畫面並沒有其它測試影像有許多的色彩資訊可以參考，所有畫面都 由灰階影像呈現。ISPG 在灰階影像的環境下，同樣可以順利把目標物與背景部分進 行分割，改善影像破碎的問題。圖 4-7 中可以看到，使用紅外線攝影機拍攝的影像，
沒有太多的色彩資訊。在 Library 的測試影像中，目標物因為長時間坐著不動，使 GMM 將目標物逐漸融入背景而造成破碎。利用 ISPG 方法可以防止目標常時間不動造成的 破碎問題。
(a) (b) (c)
(d) (e) (f)
34
(g) (h) (i)
(j) (k) (l)
(m) (n) (o)
(p) (q) (r)
圖 4-3 Baseline 類別中 pedestrians 影像的執行結果，(a)~(f)原始影像。(g)~(l) GMMkaew物件偵測的結果。(m)~(r) GMMkaew+ISPG 執行物件偵測結果。使用 ISPG 方法可完整的將目標物與背景分割。
35
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
(j) (k) (l)
(m) (n) (o)
36
(p) (q) (r)
圖 4-4 cameraJitter 類別中 boulevard 影像的執行結果，(a)~(f)原始影像。(g)~(l) GMMkaew物件偵測的結果。(m)~(r) GMMkaew+ISPG 執行物件偵測結果。比較(l) 與(r)利用 ISPG 去掉背景中細碎的雜點。
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
37
(j) (k) (l)
(m) (n) (o)
(p) (q) (r)
圖 4-5 dynamicBackground 類別中 overpass 的執行結果，(a)~(f)原始影像。(g)~(l) GMMkaew物件偵測的結果。(m)~(r) GMMkaew+ISPG 執行物件偵測結果。
(a) (b) (c)
38
(d) (e) (f)
(g) (h) (i)
(j) (k) (l)
(m) (n) (o)
(p) (q) (r)
圖 4-6 shadow 類別中 peopleInShade 的執行結果，(a)~(f)原始影像。(g)~(l) GMMkaew 物件偵測的結果。(m)~(r) GMMkaew+ISPG 執行物件偵測結果。
39
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
(j) (k) (l)
(m) (n) (o)
40
(p) (q) (r)
圖 4-7 thermal 類別中 library 的執行結果，(a)~(f)原始影像。(g)~(l) GMMkaew物 件偵測的結果。(m)~(r) GMMkaew+ISPG 執行物件偵測結果。
41