第四章 實驗結果與討論
4.1 實驗設備與效能評估
本節分為兩小節，在 4.1.1 節將介紹用於實際拍攝的雷射測距儀之規格，並利用雷 射測距儀對多個單一物體取得其深度資訊，作為訓練資料(training data)用，同時建立資 料庫，再使用雷射測距儀另外取得多張複雜場景之深度資訊，作為測試資料(testing data) 用，用測試資料來驗證本論文提出的三維物體分割與辨識系統；在 4.1.2 節將介紹評估 多個不同辨識系統之辨識率的準則，用來比較本論文所提出的兩階段三維物體辨識系統 與其他論文提出的辨識系統之效能。
4.1.1 實驗設備
本論文將使用雷射測距儀進行實際拍攝以取得複雜場景之深度資訊，並且同時辨識 場景中多個物體，而本論文取得真實場景中深度資訊的雷射測距儀是 MESA-Imaging 公 司所出產的 SR3000 如圖 4-1 所示，適合測量室內複雜場景的深度資訊，有效測量範圍 0 到 7.5 公尺，測量誤差小於為 0.3 公分，掃描真實場景後，所獲得的深度資訊為 176 144 3的陣列，每個維度之陣列各儲存該點的 , , 值，此雷射測距儀是利用 紅外線光源作為測距光源，所以很容易受到物體表面材質之影響，導致測量到的物體表 面會有嚴重的雜訊波動，例如：在黑色材質上，雷射測距儀將測不到數據或是很大的誤 差，以及在可透光的材質上也有同樣的現象出現，所以此雷射測距儀更適合測試本論文 提出的三維物體辨識系統對抗雜訊的強健性。
68
圖 4-1 雷射測距儀
圖片來源：MESA-Imaging 公司
在本論文中選擇八個日常生活中常見且不同幾何形狀的物體作為資料庫的物體，如 表 4-1 所示：
表 4-1 資料庫中的物體
物體 1 物體 2 物體 3 物體 4
CRT 電腦螢幕 玩具人偶 折疊椅 桌子(無抽屜)
物體 5 物體 6 物體 7 物體 8
檯燈 LCD 電腦螢幕 旋轉椅 桌子(有抽屜)
並實際拍攝單一場景下的單一物體，將物體與背景分離後，使用 3.2 節的流程對此 物體進行去除雜訊的動作以及再利用 3.3 節 3.4 節 3.5 節之流程來取得該物體之幾何特徵 以作為資料庫中的比對特徵；其中，每個物體有 13 個不同測量俯視視角、水平視角、
仰視視角，此測量視角即為訓練角度，如下表 4-2 所式，令物體的朝向雷射測距儀之正 面為 0 度，將物體由上往下以順時針方向朝著雷射測距儀旋轉以改變其視角，每旋轉 15 度以取得此物體的某一種姿態，每個視角可以取得 13 種姿態，共有三種視角，總計資 料庫中每一種物體有 39 種姿態，其中資料庫中的物體表面都具有左右對稱的特性，使 得對稱的姿態取得該姿態下的區域特徵後，其區域特徵將會是一模一樣，基於這種特性，
所以在旋轉時，最多只需要沿著水平方向旋轉 180 度即可，因為對稱的物體左邊旋轉跟 右邊旋轉相同角度後，該姿態下物體有著相同的表面變化，故計算出來的區域特徵是相
69
同的。
度的範圍只有 0 度~7.5 度，180 度也是同理。例如：當拍攝未知物體的測試角度的範圍 介於 22.5 度與 37.5 度之間時，即認定該未知物體的姿態屬於姿態 16，而經過辨識系統 後也辨識出未知物體的姿態為姿態 16，則該物體姿態之辨識為正確，依此類推。
最後，資料庫有八種物體，如圖 4-2 所示，而每種物體有 65 種姿態，分別如圖 4-3 至圖 4-10 所示，依序為 CRT 電腦螢幕、玩具人偶、檯燈、摺疊椅、桌子(無抽屜)、LCD 電腦螢幕、旋轉椅、桌子(有抽屜)，其中 CRT 電腦螢幕如圖 4-2 所示，左上第一張圖是 該物體的強度影像，然後由左至右，由上至下分別是沿著俯角 45 度拍攝，為圖 4-3(a)、
仰角 45 度拍攝為圖 4-3(b)，水平方向且固定 z 軸拍攝為圖 4-3(c)、水平方向且固定 x 軸 拍攝為圖 4-3(d)、水平方向且固定 y 軸拍攝為圖 4-3(e)，然後每個角度下將物體依順時 針方向依序旋轉 15 度後，所獲得的 39 張深度影像，而以下所有的 520 張深度資訊將成 為訓練資料用，並建立特徵資料庫。
表 4-3 未知物體的角度範圍與姿態對照表
角度範圍(z 軸) 0~7.5 7.5 ~22.5 22.5~37.5 37.5~52.5 52.5~67.5
物體姿態 14 15 16 17 18
角度範圍(z 軸) 67.5~82.5 82.5~97.5 97.5~112.5 112.5~127.5 127.5~142.5
物體姿態 19 20 21 22 23
角度範圍(z 軸) 142.5~157.5 157.5~172.5 172.5~180
物體姿態 24 25 26
圖 4-2 資料庫中的八個物體
71
(a)
(b)
(c)
72
(d)
(e)
圖 4-3 CRT 電腦螢幕的強度影像與 39 張姿態的深度影像
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
73
(a)
(b)
(c)
74
(d)
(e)
圖 4-4 玩具人偶的強度影像與 39 張姿態的深度影像
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
75
(a)
(b)
(c)
76
(d)
(e)
圖 4-5 摺疊椅的強度影像與 39 張姿態的深度影像
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
77
(a)
(b)
(c)
78
(d)
(e)
圖 4-6 桌子(無抽屜)的強度影像與 39 張姿態的深度影像
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
79
(a)
(b)
(c)
80
(d)
(e)
圖 4-7 檯燈的強度影像與 39 張姿態的深度影像
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
81
(a)
(b)
(c)
82
(d)
(e)
圖 4-8 LCD 電腦螢幕的強度影像與 39 張姿態的深度影像。
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
83
(a)
(b)
(c)
84
(d)
(e)
圖 4-9 旋轉椅的強度影像與 39 張姿態的深度影像
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
85
(a)
(b)
(c)
86
(d)
(e)
圖 4-10 桌子(有抽屜)的強度影像與 39 張姿態的深度影像
(a)俯角 45 度，z 軸固定 (b)仰角 45 度，z 軸固定 (c)水平 0 度，z 軸固定 (d)水平 0 度，x 軸固定 (e)水平 0 度，y 軸固定
將對拍攝到每個物體的每個姿態之深度資訊，再以人工的方式進行去除背景之動作，
最後就可以獲得每個物體不同姿態的深度資訊，如圖 4-10；此外，將隨機選取資料庫中 的物體，擺設於場景中形成複雜場景，以作為測試資料用，並隨機選取拍攝物體的水平 角度，作為測試角度用，如表 4-4 所示，而每個測試角度所所對應的姿態，將依照表 4-3 的規則來認定該未知物體的姿態。
87
圖 4-11 資料庫中的各別單一物體的深度資訊顯示 表 4-4 未知物體的測試角度與該角度所對應的姿態
測試角度 2 5 13 18 27 33 42 50 57 65 70 77 85
物體姿態 1 1 2 2 3 3 4 4 5 5 6 6 7
測試角度 92 101 110 114 122 130 138 145 153 160 170 175 178 物體姿態 7 8 8 9 9 10 10 11 11 12 12 13 13
測試資料分成兩種狀況，狀況 1 是場景中的物體沒有被遮蔽住的狀況，狀況 2 是場 景中的物體有被遮蔽住的狀況，而每一種狀況分別拍攝兩組複雜場景，場景 1 是由物體 1 至物體 4 所組成的場景，其背景為複雜背景，場景 2 是由物體 5 至物體 8 所組成，其 背景為複雜背景，而場景中的物體依照表 4-4 上面的測試角度來旋轉，可獲得 26 張場 景 1 的深度資訊，圖 4-12 是該場景的強度景像，其場景中深度影相如圖 4-16，同理，
由圖 4-13 也可獲得 26 張場景 2 的深度資訊，如圖 4-17 所示，其中未遮蔽的狀況包含兩 組場景，總共有 52 張深度資訊作為測試資料的輸入，而遮蔽的狀況也包況兩組場景，
場景 1 如圖 4-14 所示，其場景的深度影像如圖 4-18 所示，場景 2 如圖 4-15 所示，其場 景的深度影像如圖 4-19 所示，總共有 52 張深度資訊作測試資料的輸入。
88
圖 4-12 未遮蔽之場景 1 的強度影像
圖 4-13 未遮蔽之場景 2 的強度影像
圖 4-14 遮蔽之場景 1 的強度影像
圖 4-15 遮蔽之場景 2 的強度影像
89
圖 4-16 未遮蔽狀況下之場景 1 的不同姿態之深度影像
90
圖 4-17 未遮蔽狀況下之場景 2 的不同姿態之深度影像
91
圖 4-18 遮蔽狀況下之場景 1 的不同姿態之深度影像
92
圖 4-19 遮蔽狀況下之場景 2 的不同姿態之深度影像
93
4.1.2 效能評估
最後， 為了要證實本系統對於物體姿態些微變化下，仍可辨識出同一種物體，計