第五章 實驗與結果比較 實驗與結果比較 實驗與結果比較 實驗與結果比較
5.3 實驗結果與分析 實驗結果與分析 實驗結果與分析 實驗結果與分析
在靜態資料庫與動態資料庫的數據分析中，我們會列出三種數據統計結果，分別 是，(Positive Predictive Value，PPV)、True Positive Rate(TPR)及 Accuracy，公式分別於 (5.1)~(5.3)。
PPV 所代表的是在被標記是人的情況下，真的是人的機率。TPR 則代表所有是人 的影像被分辨為人的機率，也就是偵測率(Detection Rate)。Accuracy 代表包含所有是人 與非人被分類正確所佔的比例。
PPV TP+FP
= TP
(5.1)TPR TP+FN
= TP
(5.2)TP+FP+TN+FN
Accura TP N
cy + T
=
(5.3)64
圖 5-4 測試結果之間的相互關聯性
5.3.1 靜態資料庫 靜態資料庫 靜態資料庫 靜態資料庫
我們會以 CBCL 與 CVC 兩組測試資料庫進行比較 AdaBoost 與 GDguiding AdaBoost 的數據，並在比較之後加以分析。
表 5.6 靜態資料庫測試結果
經過測試之後我們發現 GDguiding AdaBoost 在 CVC 資料庫的表現上，雖然消除 更多的背景，但同時也將更多的人形影像分類錯誤。而我們再進一步觀察測試完的結果，
CVC 資料庫的影像光影變化過大，亮暗對比差異大，使得 GDguiding AdaBoost 在製作 樣版時的樣版效果不好，門檻值也必需設定很低才能使圖片擁有邊緣，CVC 資料庫及
65
CBCL 製作的樣版如圖 5-5。
圖 5-5 CVC 全身正背面樣版及頭肩樣版
目前我們製作頭肩樣版的方法對於光影差距過大的效果並不明顯，而 CVC 的負樣 本邊緣反而較為清晰，導致比對分數過低，全域偵測器的效果不佳，進而降低 TPR 值。
CBCL 資料庫的測試結果但最主要的問題在於頭肩樣版的分類比對，由於 CBCL 正樣本 與 CVC 的負樣本差異過大，導致製作樣版的門檻值並不適用於負樣本，錯誤的類別都 集中於柱狀的樣本影像及過暗的樣本影像。對於靜態資料庫的測試比較，我們尚需仔細 挑選與切割條件更相符的訓練與測試樣本，再進行重新測試與比較。
雖然此次測試選用的樣本需要重新審視並再次測試，但我們也發現 GDguiding AdaBoost 的全域偵測器的缺點。若能改善頭肩樣版的製作方式與比對分數的結合方式，
在相同訓練與測試樣本的條件下，也能提升其系統效能。
66
5.3.2 動態資料庫 動態資料庫 動態資料庫 動態資料庫
我們會在完成數據統計的影片附加訓練資訊，並繪製圖表。一張圖表以 True Positive Rate(TPR)為 y 軸，Frame 編號為 x 軸。藉由圖表來表現出在同一張 frame 中不同方法 的效能。
動態資料庫的算法是由各張 Frame 的 TP、FP 及 FN 數量來計算，並累加最後再計 算總測試數據的 PPV 及 TPR。TP 的計算方式是判斷經由系統辨識為人所標記出的視窗，
是否準確的標記在畫面中的人形上。FN 則是計算出現在畫面中的行人未被標記出來的 人物數量。FP 則為畫面中沒有行人的部份被標記出來的數量。其示意圖如圖 5-6 所示。
圖 5-6 動態資料庫統計計算示意圖
Caviar 資料庫
資料庫資料庫：資料庫：：：AdaBoost 訓練資訊
訓練資訊訓練資訊：訓練資訊：： ： 弱分類器弱分類器弱分類器弱分類器更新權重次數為更新權重次數為更新權重次數為更新權重次數為 5 次時次時次時次時：：：： 由 AdaBoost 選出的弱分類器數量：
37 個 無更新弱分類器 無更新弱分類器 無更新弱分類器
無更新弱分類器權重時權重時權重時權重時：：：：
由 AdaBoost 選出的弱分類器數量：
31 個