本研究中利用DirectX 9 Software Development Kit 將與電腦連結的一般 攝影機所攝得的畫面即時的傳送至系統中，而系統在接收到畫面後即對影像 進行處理，這讓我們僅需要將網路攝影機與電腦連結即可偵測即時的畫面，
或是在系統中載入預先錄下的影片檔案也可在事後進行影像的分析處理，表 4.1為實驗用的硬體規格表。
表4.1 實驗中所使用的硬體規格 CPU規格 Pentium 4 2.4GHz
記憶體 256MB
攝影器材 CASIO EX-Z750 Logitech QuickCam Pro
影像解析度 320×240
為了驗證本系統在不同的狀況下的偵測效果，所以我們設定了以下幾個 實驗：
1. 針對不同大小的人臉來驗證系統的偵測率。
2. 針對不同亮度的影像來驗證系統的偵測率。
3. 對於其他情況驗證系統的偵測率，這裡的其他情況是指頭旋轉的角度 以及戴眼鏡的實驗者和多人的實驗。
4. 針對我們的方法和別人的方法比較。
第 一 個 實 驗 中 我 們 使 用 三 個 不 同 的 人 臉 大 小 來 做 偵 測 ， 分 別 是 100×100、75×75、50×50 三個大小，這邊大小是指最後被框出來的正確人臉 的大小，在實驗的影像我們分別對每個實驗者錄製10 秒鐘的影像，在這 10 秒鐘實驗者可以輕微的擺動，在10 秒鐘會有大約 80~110 個 frame，我們每 個實驗者都會取30 張影像在 10 秒之內，在每個實驗中我們都有五個實驗者 所以我們影像張數都有150 張，我們計算處理速度是使用 FPS 的方法，FPS
是frame per second 的簡寫代表意義為每秒可以處理的畫面數，FPS 10 代表 每秒鐘可以處理十張畫面，用此來驗證我們的系統速度。下表4.2 是我們實 驗結果。
表4.2 不同大小人臉的實驗結果
實驗項目 100×100 75×75 50×50
影像張數 150 150 150
正確人臉 145 136 121
誤判人臉 5 14 29
正確率 96.66％ 90.66％ 80.66％
FPS 8 11 13 在第一個實驗項目中我們可以看到當我們人臉大小在 100×100 時我們 有極高的偵測率，因為我們使用自適性的閥值來偵測人臉特徵，對於每張不 同的影像我們都分別給予不同的閥值來分割眼睛和嘴巴，相較於使用固定的 閥值可能有些影像可以偵測到但是影像一有變動就會產生誤測。對於我們沒 有偵測到的影像是因為實驗者有閉眼的情況導致特徵點遺失。但是當我們的 人臉影像越來越小時我們偵測率就會下降，因為我們是使用色彩分析來偵測 人臉特徵，人臉影像越來越小時人臉特徵也會相對變小，當人臉特徵太小時 就會被當成雜訊去除掉了，所以我們的系統在人臉大小約75×75 時也有良好 的偵測率，但是人臉大小小於 50×50 我們的系統就不能有效的偵測人臉特 徵，造成我們的偵測率無法達到理想的效果。對於處理的速度是根據連通成 分的數量以及大小，因為連通成分數量越多之後步驟的處理數量也比較多，
而連通成分面積越大代表要處理的影像也變大所以速度會降低下來，所以可 以看到人臉大小在100×100 的時候速度是處於比較慢的情況，隨著人臉範圍 的變小處理的速度就有提高的趨勢。下圖4.1 是由近拍到遠的實驗結果，圖 4.2 是由遠拍到近的實驗結果。在圖中的#符號是代表第幾張處理的畫面。
#8 #14 #22
#30 #38 #47
#56 #65 #76 圖4.1 由近拍到遠的實驗結果
#3 #12 #22
#31 #39 #47
#54 #62 #68 圖4.2 由遠拍到近的實驗結果
第二個實驗中我們使用兩種不同的亮度情況來偵測，第一個情況是在只 有微弱光線的陰暗室內，達到我們想要偵測在即使光線不足的情況下我們的 系統依然有良好的偵測率，第二個情況我們實驗者的臉部打上白光，使實驗 者的臉部膚色和特徵呈現比較高的亮度，來驗證我們的系統，在實驗的影像 我們一樣對兩種亮度的情況分別取五個實驗者個別錄製 10 秒鐘，每一個情 況分別得到150 張影像。下表 4.3 是我們實驗結果。
表4.3 不同亮度情況的偵測結果
實驗項目 較暗的情況 較亮的情況
影像張數 150 150
正確人臉 126 123
誤判人臉 24 27
正確率 84.00％ 82.00％
FPS 10 10
對於較暗或是較亮的影像因為我們在統計膚色範圍的時候，就會統計包 含較暗或是較亮的人臉影像，雖然統計的數量比一般光線的人臉影像還少，
但是在實際實驗的時候對於光線不足和打光的情況下，我們對不同亮度的 pixels 給於不同的膚色範圍，所以在不同光線的情況下的膚色偵測效果也是 不錯，除了比較極端的亮度過暗的膚色接近黑色以及打光太強造成有些膚色 的pixels 呈現接近白色的情況。在我們的實驗中那些錯誤的例子大多是臉部 膚色影像在特別的情況下造成臉部膚色的破碎情況，臉部膚色破碎會造成區 域填充的錯誤，我們使用區域填充是因為偵測膚色時，臉部特徵不屬於膚色 所以使用區域填充把臉部特徵保留下來，當區域填充出錯時臉部特徵就會被 當成背景，在接下來的步驟就不會去背景的地方偵測臉部特徵，所以照成在 沒有臉部特徵的地方偵測臉部特徵，自然無法偵測到臉部特徵也就無法判定
為人臉。對於處理的速度因為我們在做不同亮度的偵測時我們都有固定實驗 者的人臉大小，都是固定在75×75 的大小，不過因為亮度的關係會使得原本 非膚色的背景也會因為光線的關係變得接近膚色，雖然在之後的步驟會判定 這些類似膚色的背景為非人臉，不過因為連通成分的增加所以會造成處理速 度的下降，所以在不同亮度的人臉偵測的速度會比同樣的大小的人臉在一般 光線的情況下還要慢。下圖4.3 是較亮情況的實驗結果，在影像中人臉的平 均亮度大約都在180~200 左右，圖 4.4 是較暗情況的實驗結果，在影像中人 臉的平均亮度大約都在50~60 左右。
#5 #14 #23
#33 #43 #52
56# #64 #72 圖4.3 較亮情況的實驗結果
#7 #16 #25
#34 #43 #55
#65 #74 #81 圖4.4 較暗情況的實驗結果
第三個實驗中我們針對不同的情況偵測人臉，第一個情況是針對不同角 度的人臉，因為我們是根據臉部特徵來偵測人臉所以我們可以偵測的角度在 45 度到-45 度之間，在這個角度範圍兩眼的特徵都還存在所以我們的系統可 以偵測，當大於這個角度眼睛特徵就會不見所以無法偵測，所以我們只討論 45 度到-45 度的人臉偵測率，第二個情況我們實驗者為戴眼鏡的人，這個實 驗是考驗我們系統對於偵測眼睛特徵的強健性，在實驗中因為我們是使用影 像增強的方法再用灰階值分割眼睛特徵，所以戴有色鏡片會影響灰階值所以 在這項實驗我們的實驗者都不會戴有色鏡片。第三個情況我們多人的偵測，
偵測人數為2~4 人，在實驗的影像我們一樣對每一種情況分別取五個實驗者 個別錄製 10 秒鐘，每一個情況分別得到 150 張影像，第三個情況是分別做 2 人、3 人、4 人分別 10 秒鐘然後我們分別取 30 張影像共 90 張，90 張影像
中共有270 個人臉，下表 4.4 是我們實驗結果。
表4.4 其他其況下的人臉偵測率
實驗項目 不同人臉角度 戴眼鏡的實驗 多人偵測
人臉數目 150 150 270
正確人臉 128 130 226
誤判人臉 22 20 44
正確率 85.33％ 86.66％ 83.70％
FPS 10 11 8 在第一個情況中因為有時候耳朵會呈現粉紅色，所以在45 度和-45 度的 時候會把耳朵誤測為嘴唇的顏色，這樣根據我們的幾何判斷就會把不是為正 確的眼睛判定為正確的眼睛，造成人臉偵測的錯誤，以及眼睛太靠近邊緣會 造成眼睛的特徵被當作背景使得眼部特徵遺失，使得我們系統無法偵測到。
第二種情況對於眼鏡被強光打到造成反光，這樣使得眼睛的特徵點遺失，我 們的系統就無法做正確的偵測，和對於戴黑色粗框的實驗者在膚色偵測的時 候因為黑色不屬於膚色然後又是粗框，這樣會使得一張人臉被分成兩個部 份，這樣在膚色的地方就先出錯之後臉部特徵自然無法偵測，就會造成人臉 偵測錯誤，第三個情況中因為是多人偵測有時會有人臉來在一起或是遮蔽的 現象產生，會造成特徵點的遺失，就會有錯誤的偵測。除了以上的問題會照 成誤測，基本上這三個情況的偵測率是依據人臉的大小，除了第三個情況多 人偵測不易控制人臉的大小，而我們在其他兩個狀況的實驗都是以75×75 的 人臉大小來做實驗。因為我們的實驗者在人臉的大小都控制在75×75 的大小 所以在速度上大多相同，只有在多人偵測時的連通成份數量增加所以速度有 明顯的下降。下圖 4.5 為頭由左轉到右的實驗結果，圖 4.6 是帶眼鏡的實驗 結果，圖4.7 是多人的實驗結果。
#1 #9 #17
#27 #35 #43
#52 #60 #67 圖4.5 頭由左轉到右的實驗結果
#9 #17 #26
#35 #48 #58
#67 #77 #88 圖4.6 帶眼鏡的實驗結果
#6 #13 #19
#26 #32 #38
#44 #51 #58 圖4.7 多人的實驗結果
在第四個實驗中我們從網路上下載178張包含216人的影像，這些影像為 CCD所擷取的影像，包含了不同的環境條件。有各種不同的照明、不同的背 景，有不同膚色的、、戴眼鏡的、有正面的、有頭轉動小於 30 度的、有胖 的、有瘦的人臉。我們使用這些影像用文獻[26,27]這兩篇的方法跟我們的方 法做比較。Froba與Kublbeck [26]使用edge orientation matching 的方法快速地 偵測人臉。其frame rate在P4 2.4G的個人電腦偵測320×240的影像可達到20 fps。在偵測率的表現雖然有很高的偵測率，但同樣地也有很多的錯誤偵測。
這裡的錯誤偵測是指在沒有人臉的地方卻判定為人臉。此系統錯誤偵測太 多，對於安全需求較高的系統比較不適合。網站上可以下載demo的執行檔。
BuFaLo(Biometric base Unit for Face Localization) 系 統 實 作 了 Viola 與 Jones[27]的方法。BuFaLo不但有高偵測率、低錯誤偵測，而且速度上也相當
快。在P4 2.4G的個人電腦上，偵測320×240的影像，其frame rate可達6 fps。
(上面兩篇執行檔的網址在其他參考資料中)
表4.5 不同系統的比較
實驗項目 Froba 與
Kublbeck [26] BuFaLo 我們的方法
人臉數目 216 216 216
正確人臉 205 192 187
正確人臉 205 192 187