Chapter 3 研究方法
3.4 攝影機失焦偵測
監視器的焦距發生改變時，錄製的影像會顯得模糊不清。以人眼識別的角度而言，
經常無法清楚描述影像內容的細節，僅能大約辨識出物件及物件的顏色分佈。因此使用 顏色作為特徵值往往無法辨識出模糊異常，更不用說正確進行異常分類。通常模糊的異 常情況發生在攝影機架設後因長期運作，導致設備老化導致攝影機焦距錯誤，使得拍攝 的影像都處於模糊、無法辨識的情況，如圖 12(a)(b)。也有可能遭受到外力，如人為惡 意調整鏡頭焦距或是環境因素如灰塵、大雨等，導致攝影機出現模糊的情況。本文對於 失焦、模糊部分偵測，基於以上特性使用對於光線變化、影像雜訊具有高度穩定的尺度 不變特徵轉換(Scale-Invariant Feature Transform，簡稱 SIFT)找出特徵點進行辨識。從圖 12(c)(d)可明顯看出監視器失焦時，特徵點的數量有著明顯的差異。
(a) (b) (c) (d) 圖 12、失焦偵測示意圖：(a)-(b)正常與失焦影像，(c)-(d)分別為相對應特徵點
特徵點代表的是整張影像具有特色的興趣點，為了要作為失焦偵測所使用的特徵點，
在影像中特徵點需要有穩定的特性，並且要能足以代表影像的視覺特徵。關鍵點具備了 能夠高度表達其影像的特徵像是特異點、角點等，其中最為著名的為 2004 年 Lowe 提 出的尺度不變特徵轉換(SIFT)。尺度不變特徵轉換的應用範圍相當廣泛，像是物體辨識、
影像接合、手勢辨識、影像追蹤等。對於影像在不同的尺度空間使用高斯模糊濾波器 (Gaussian filters)，再進行卷積(convolved)所形成高斯模糊影像。利用不同尺度空間產生 的連續高斯模糊影像差異尋找出關鍵點，而關鍵點的尋找是根據高斯差(Difference of
Gaussians，簡稱 DoG)找出最大或最小極值，該極值點即為關鍵點：
, , , , , , , , (34)
, , , , ∗ , (35)
, , 1
2 (36)
其 中 , , 為 高 斯 差 影 像 、 , , 為 在 尺 度 時 原 始 影 像 和 高 斯 模 糊 函 數 , , 進行卷積形成高斯模糊影像，i 和 j 為模糊係數的倍率， 為高斯模糊的標準差 參數。經過多次高斯模糊運算後所得到的高斯模糊影像，把相鄰的高斯模糊影像相減即 可得到高斯差影像如圖 13 所示。
圖 13、高斯金字塔模型
有了高斯差影像後，開始對每一個高斯差影像偵測其極值點。為了尋找極值點，像 素點要和所有相鄰的點作比較。如圖 14 所示在進行極值點的偵測時像素點要向自己周 圍的 8 個點與上下兩尺度空間各 9 個點作比較，總共要 26 點。如果那個像素值相較於 26 點為最大或最小值，稱該點為極值點。這些極值點對應回原始影像的座標，即為關 鍵點。
圖 14、極值點示意圖
經由 SIFT 抓取出足以代表影像的關鍵點，將作為模糊偵測用的特徵點。利用下列 公式進行關鍵點的數量計算，進行監視器失焦的偵測：
(37)其中 為現行影像的關鍵點數量， 為背景影像的關鍵點數量，
為經由實驗訂定的閥 值。透過公式進行攝影機失焦的偵測，如果當前的關鍵點數量低於一定的背景影像關鍵 點數量，則發生攝影機焦距錯誤事件。一個清晰、正常的影像，其關鍵點數量會遠高於 失焦影像。這是因為利用模糊影像一個像素點，經由 SIFT 的高斯差後，中心點與相鄰 的 8 點和上下尺度空間所鄰近的 18 點做比較，該點幾乎無法成為最大或最小的極值點。藉由測量特徵點數量變化情形，進行攝影機失焦的偵測。
如圖 15 透過上述的模糊異常偵測方法，可觀察出模糊異常和正常運作時清晰度的 改變。利用 SIFT 尋找影像的極值點，將作為模糊特徵的特徵值。SIFT 的特徵點是和周 圍的像素點進行比較，該像素點對周圍的點而言其值為最大或最小。在尋找特徵值之前，
會先對影像進行一次高斯模糊。由於模糊影像的像素點即使視不同尺度，該點和周圍像 素點灰階值相近甚至一樣。因此相較於清晰的影像，越是模糊的影像經過高斯模糊再進 行特徵點的偵測，偵測出特徵點數量會明顯小於清晰的影像。
圖 15、模糊異常和正常運作差異