本研究中利用拍攝得到的各種影片檔(avi格式)，來進行系統效能的估 測。系統實作的部分我們採用Microsoft Visual Studio C#來撰寫我們的系統，
每秒約可處理9張影像，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 1GMB
攝影器材 Canon IXSU 860IS
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，本研究設定了以下幾個實 驗：
1. 室內的移動物偵測實驗(包含陰影)。
2. 室外的移動物偵測實驗(包含背景雜訊，樹葉搖晃，雨天)。
3. 室外的移動物偵測實驗(包含背景雜訊以及相機輕微晃動)。
4-1 室內移動物偵測實驗
4-1-1 實驗結果
本實驗中，選擇實驗室外的樓梯走廊來做實驗，雖說是室內環境，但這 個地點屬開放空間，容易受到光線變化以及陰影的影響而產生誤判。因此利 用本研究的方法，來測試室內的陰影去除以及環境適應性，研究中設計四種 狀況來評估本系統。
第一種狀況是實驗者於鏡頭前四處緩慢的走動，第二種為橫向跑過攝影 設備，第三種為多人偵測，第四種則是走到電燈開關處關閉電燈。利用這四 種不同的室內環境來驗證本系統的效能。
表 4.2 室內移動物偵測實驗結果
實驗項目 慢走 跑步 多人 關燈
影像張數 854 263 519 263
實際擁有前景之 總張數
467 63 500 163
正確偵測 436 60 452 151
擷取出前景資訊 較不完整張數
16 3 11 10
雜訊誤判張數 9 0 37 2
前景誤判張數 6 0 0 0
正確率 93.36％ 95.24％ 90.4％ 92.64％
總正確率 92.91％
表 4-2 為實驗結果，當連續影像中有動態前景物體時，演算法會將其標
記出來；若影像中紅色方框內為擷取正確的前景物，即為正確偵測張數；而 擷取前景資訊不完整則代表標記方框內僅有部分的前景物體的張數。另外，
本文將誤判分類為兩種，一種為雜訊誤判，即標記方框內無前景物存在；另 一種為前景誤判，為影像中有前景物存在，卻無標記；或是當標記前景時，
因受到雜訊的影響而無法擷取前景。
雜訊誤判主要為前景或背景的雜訊所影響，而經過本研究的演算法去除 雜訊後，這類的誤判標記通常其擷取區域會很小，且依舊能擷取出的完整的 前景移動物。
前景誤判則真正代表演算法的缺點；若此數值越高，代表無法偵測出正 確的前景物體。圖 4.1 為慢走實驗時，動態前景物擷取結果，紅色框線代表 前景物圈選結果；其中陰影的部分能有效的被濾除，擷取正確的前景移動物。
#133 #136 #139 #142
#145 #148 #405 #408
#415 #435 #467 #526
圗 4.1 慢走實驗
圖 4.2 為跑步實驗時，動態前景物擷取結果，紅色框線代表前景物圈選 結果；其中陰影的部分能有效的被濾除，擷取正確的前景移動物。
#119 #122 #125 #128
#131 #134 #137 #140
#143 #146 #149 #152
圖 4.2 跑步實驗
圖 4.3 為多人實驗時，動態前景物擷取結果，紅色框線代表前景物圈選 結果；結果顯示能有效擷取出正確的前景移動物。
#140 #154 #168 #182
#196 #210 #224 #238
#252 #266 #280 #296
圖 4.3 多人實驗
圖 4.4 為關燈實驗時，動態前景物擷取結果；實驗過程中約第#175~191 影像格數時光照環境突然改變，雖說#179~#189 影像格數之擷取結果會受變 化影響，但仍可有效的偵測出大致前景移動物，且#189 影像格數後就能開 始正確的擷取前景移動物。
#175 #177 #179
#181 #183 #185
#187 #189 #191 圖 4.4 關燈實驗
4-1-2 實驗討論
第一、第二，以及第三個實驗結果顯示，本研究的方法對前景雜訊有著 很好的抵抗性。而誤判的狀況幾乎都是雜訊誤判所造成，此類誤判對前景物 的擷取影響不大。另外，由於受測者衣服顏色與門的顏色十分相近，故當受 測者與門重疊時亦會有前景資訊較不完整的狀況產生。而在考慮背景與前景 顏色十分相近的因素下，其整體正確率仍有九成以上。
第四種實驗環境，則是為了驗證系統的適應性；依實驗結果確實本系統 在光源突然變化時亦有很好的適應性。
為驗證本文的方法確實有效，將先前相關的研究方法與本研究做比較。
圖 4.5 表示將慢跑的連續影像，以不同的前景估測算法所得到的結果。
(a)原始影像，影像格數為#136 (b)相鄰影像直接相減 Lipton[4]
(c)單一高斯模型 Wren [8] (d)混合高斯模型 Stauffer [11]
(e)Angle-module 法 Enrique[15] (f)Angle-module 法並以時序統計直 方圖來更新背景。
(g)加入時空域分析，本研究所使用之 方法
(h)擷取結果。
圖 4.5 各種不同演算法對跑步影像之擷取結果
圖 4.5(b)以相鄰影像差異來擷取前景，可以發現其前景資訊較為不足；
圖 4.5(c)以及圖 4.5(d)為統計式高斯模型來估測前景以及背景，可以發現此 法對陰影無抵抗性；圖 4.5(e)，Angle-module 法可以看出能有效去除前景雜 訊，得到正確的前景物；圖 4.5(f)，本研究中，除以 Angle-module 法外，另 外使用時序統計的方式來更新背景，在背景改變時，能隨之更新，以增加環 境適應性；由於攝影機本身雜訊影響(在顏色偏暗處更為明顯)，建構背景時 易產生誤差，因此其結果會較多出些許雜訊點。研究中考量室內環境較無太
大的變動，可以將更新背景的時間拉長，來避免這類問題。圖 4.5(g)另加入 時 空 域 分 析 來 去 除 動 態 背 景 雜 訊 ， 為 本 文 所 提 的 方 法 ， 可 以 看 出 Angle-module 法以及本文的方法，在室內靜態背景環境下對前景雜訊的濾 除有著很好的效果，圖 4.5(h)，為擷取標記結果。
為驗證環境適應性，我們利用瞬間光源的變化的連續影像來做比較。
(a)原始影像，影像格數為#196 (b)相鄰影像直接相減 Lipton[4]
(c)單一高斯模型 Wren [8] (d)混合高斯模型 Stauffer [11]
(e)Angle-module 法 Enrique[15] (f)Angle-module 法並以時序統計直 方圖來更新背景。
(g)加入時空域分析，本研究所使用之 方法
(h)擷取結果。
圖 4.6 各種不同演算法對關燈影像之擷取結果
圖 4.6(b)我們可以發現其前景資訊依舊較為不足，但不易受雜訊所影 響；圖 4.6(c)以及圖 4.6(d)，由於光源劇烈改變，而高斯模型需要一段時間 來 更 新 模 型 參 數 ， 故 這 段 時 間 內 ， 無法 偵 測 動 態 前 景 物 ； 圖 4-6(e) ， Angle-module 法無法隨環境做有效且快速的更新，但其亮彩分離的主要特徵 擷取以及雜訊去除法，較不易受環境影響；圖 4-6(f)，使用時序統計的方式 來更新背景，可以發現較 Angle-module 法更具環境適應性，能更快的將參 數更新以符合現在的環境狀況。圖 4-6(g)另加入時空域分析來去除動態背景
雜訊，可以看出本文的方法，在光源突然變化時亦有很好的偵測效能，圖 4.6(h)，為擷取標記結果。
4-2 室外移動物偵測實驗
4-2-1 實驗結果
在這實驗中，將實驗條件設定在室外條件下，此環境包含了前景雜訊以 及背景雜訊如樹葉搖晃搖晃等因素。因此，本研究將自行拍攝的各種各戶外 環境影像來做系統效能的驗證。除此之外，本研究利用一段有著高背景雜訊 的影片來擷取前景(背景裡有大片樹林隨風搖曳)。表 4.3 為室外不同環境下 實驗結果，圖 4.7～4.9 為擷取結果。
表 4.3 室外不同環境下偵測結果
實驗項目 室外前景
偵測
陰雨天的前 景物偵測
高背景雜訊
影像張數 602 1180 517
實際擁有前景物總張數 291 140 250
擷取出前景資訊較不完整張數 8 2 7
雜訊誤判張數 2 5 24
前景誤判張數 3 1 5
正確率 95.53％ 94.29％ 85.6％
#206 #209 #212 #215
#218 #221 #224 #477
#480 #483 #486 #489
圖4.7 室外前景偵測結果
圖4.7為室外前景偵測結果；在有著動態背景雜訊影響(樹枝搖曳)的室外 環境下，依然可以正確的擷取出前景移動；另外，經由設計的前景與背景雜 訊遮罩做濾除雜訊的處理後，即使顏色相近的小面積移動物(影像格數
#480~489)亦能偵測擷取出來。
#803 #806 #809 #812
#815 #818 #821 #824
#827 #974 #977 #980
圖4.8 陰雨天的前景物偵測結果
圖4.8為陰雨天的前景物偵測結果；在有著動態背景雜訊影響(樹枝搖 曳、雨天)的室外環境下，依然可以正確的擷取出前景移動。
#178 #185 #192
#340 #347 #354
#435 #456 #478
圖4.9 高背景雜訊下偵測結果(影像來源[28])
圖 4.9 為高背景雜訊下偵測結果；此環境下有著高背景雜訊的影響，雖 說會有些許雜訊誤判，但依舊可以正確的擷取出前景移動。
4-2-2 實驗討論
經由實驗結果顯示，本研究的方法對背景雜訊有著不錯的濾除效果。戶 外以及雨天環境下，其正確率都有九成以上。而在複雜背景雜訊下，正確偵 測率約有 86%，但誤判數中，雜訊誤判佔了絕大多數。由於此種誤判擷取的 範圍很小，不易影響到整體偵測；故即使有些許雜訊誤判干擾，但依舊能將 動態前景物有效地擷取出來。
為驗證本研究方法確實能有效的去除背景雜訊，將先前相關的研究方法 與本研究的方法做個比較。圖 4.10 表示將有著高背景雜訊的連續影像，以 不同的前景估測算法所得到的結果。
(a)原始影像，影像格數為#188 (b)相鄰影像直接相減 Lipton[4]
(c)單一高斯模型 Wren [8] (d)混合高斯模型 Stauffer [11]
(e)Angle-module 法 Enrique[15] (f)Angle-module 法並以時序統計直 方圖來更新背景。
(g)加入時空域分析，本研究所使用之 方法
(h)擷取結果。
圖 4.10 各種不同演算法對高背景雜訊影像之擷取結果
圖 4.10(b)可以發現其前景資訊依舊較為不足，但不易受雜訊所影響；圖 4.10(c)以及圖 4.10(d)，由於動態背景雜訊的影響，單一高斯法無法偵測；而 混合高斯法對背景雜訊有著較佳的濾除特性，但為達到很好的效果，則需要 更多事前背景資訊來做學習。圖 4.10(e)，Angle-module 法可去除前景的光影 雜訊，對高動態背景雜訊的狀況下，濾除效果一般。圖 4.10(f)，使用時序統 計的方式來更新背景，由於動態背景點持續隨著時間作變動，因此背景建構 不佳，參數更新效能有如 Angle-module 法 。圖 4-10(g)另加入時空域分析來
去除動態背景雜訊，可以看出本文的方法，對背景雜訊有著很好的濾除效 果，有利於正確前景的擷取，圖 4.10(h)，為擷取標記結果。
4-3 攝影機晃動下的移動物偵測實驗
4-3-1 實驗結果
在這實驗中，將驗證可用影像時空域的關係來去除攝影設備晃動所產生 的雜訊。本研究先拍攝一段影片來模擬攝影機晃動時所得到之影像，利用本 研究之時空域分析法，來去除晃動產生之干擾。下圗 4.11 為實驗擷取結果，
圗 4.12 顯示由於攝影機晃動，造成不正確的背景建構結果。
#80 #82 #84
#86 #88 #90
#92 #94 #96
圖4.11 相機輕微晃動下之偵測結果
圖 4.12 背景建構後之背景圖
4-3-2 實驗討論
由於攝影機晃動的影響，一般的前景擷取法都會受到影響而不易偵測出 前景移動物體。因此，本研究利用時空域的概念做這類晃動雜訊的去除，來 擷取正確的前景影像。為驗證本方法的可行性，我們將先前相關的研究方法 與本研究的方法做個比較。
由於攝影機晃動的影響，一般的前景擷取法都會受到影響而不易偵測出 前景移動物體。因此，本研究利用時空域的概念做這類晃動雜訊的去除，來 擷取正確的前景影像。為驗證本方法的可行性，我們將先前相關的研究方法 與本研究的方法做個比較。