第五章 實際應用：自動化的車站人潮監控系統
6.2 未來展望
在本論文的方法中，我們假設人的髮色均為深色。故當禿頭或是白頭髮的 人，甚至是戴淺色帽子的人出現，我們的方法可能就無法將其偵測出來。此外，
由於我們是以圓形的深色區塊為人頭的模型，所以容易受到人的影子或是其他深 色物體的影響，造成偵測上的錯誤較多。未來除了人頭形狀以外，可以考慮利用 如紋理(texture)等其他特徵，來輔助人的偵測，減少錯誤偵測的數量，提升人群 偵測與追蹤的正確率。
前景偵測也是一個可加以改善的部份。由於人的偵測是針對前景的部分，
若前景偵測的結果能夠更加準確，能夠完整的保留前景的資訊，同時降低背景中 的影子以及其他物件的影響，對於人的偵測也會有很大的幫助。
雖然利用垂直視角的攝影，能夠避免掉遮蔽效應所帶來的影響，但是同時 也犧牲了人的臉部以及其他身體部位的資訊，使得偵測與追蹤的困難度提高。不 論是偵測或是追蹤方面，均還有提升的空間。
參考文獻
[1] C. R. Wren, A. Azarbayejani, T. Darrell, and A. P. Pentland, “Pfinder: real-time tracking of the human body,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume 19, Issue 7, pp.780 – 785, July 1997.
[2] S. Birchfield, “An elliptical head tracker,” Signals, Systems & Computers,
Conference Record of the Thirty-First Asilomar Conference, Volume 2, 2-5, pp.1710 – 1714, Nov. 1997.
[3] S. Birchfield, “Elliptical head tracking using intensity gradients and color histograms,” Computer Vision and Pattern Recognition, IEEE Computer Society Conference Proceedings, pp.232 – 237 , 23-25 June 1998.
[4] T. Yang, Q. Pan, J. Li, Y. Cheng, and C. Zhao, “Real-time head tracking system with an active camera,” Intelligent Control and Automation, Fifth World Congress, Volume 3, pp.1910 – 1914, 15-19 June 2004.
[5] Y. Ishii, H. Hongo, K. Yamamoto, and Y. Niwa, “Face and head detection for a real-time surveillance system,” Pattern Recognition, ICPR Proceedings, Volume 3 , pp.298 – 301, 23-26 Aug. 2004.
[6] Y. Ishii, H. Hongo, K. Yamamoto, and Y. Niwa, “Real-time face and head detection using four directional features,” Automatic Face and Gesture Recognition Proceedings, pp.403 – 408, 17-19 May 2004.
[7] X. Huang, L. Li, and T. Sim, “Stereo-based human head detection from crowd scenes,” Image Processing International Conference, ICIP , Volume 2, pp.1353 – 1356, 24-27 Oct. 2004.
[8] J. Garcia, N. da Vitoria Lobo, M. Shah, and J. Feinstein, “Automatic detection of heads in colored images,” Computer and Robot Vision Proceedings, pp.276 – 281, 9-11 May 2005.
[9] T. Zhao, and R. Nevatia, “Bayesian human segmentation in crowded situations,”
Computer Vision and Pattern Recognition Proceedings, IEEE Computer Society Conference, Volume 2, pp.II - 459-66, 18-20 June 2003.
[10] H. Wu, Q. Chen, and M. Yachida, “Face detection from color images using a fuzzy pattern matching method,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume 21, Issue 6, pp.557 – 563, June 1999.
[11] I. Cohen, A. Garg, and T. S. Huang, “Vision-based overhead view person recognition,” Pattern Recognition Proceedings, Volume 1, pp.1119 - 1124, 3-7 Sept.
2000.
[12] M. Hail, A. Setli, W. Hua, and Y. Gong, “A detection-based multiple object tracking method,” Image Processing International Conference, ICIP, Volume 5, pp.3065-3068, 24-27 Oct. 2004.
[13] D. Comaniciu and P. Meer. , “Mean shift: A robust approach toward feature space analysis,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume 24, Issue 5, pp.603-619, 2002.
[14] D. Comaniciu, V. Ramesh, and P. Meer, "Kernel-based object tracking," IEEE Transactions on Pattern Analysis and Machine Intelligence ,Volume 25, Issue 5, pp.
564-577, 2003.
[15] R. Cucchiara, C. Grana, M. Piccardi, A. Prati, ”Detecting moving objects, ghosts, and shadows in video streams,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume 25, Issue 10, pp.1337 – 1342, 2003.
[16] 聶政邦, “光影變化環境中的背景切割技術”, 國立交通大學, 資訊科學與工
附錄 A 影像灰階梯度
影像灰階梯度(grey-level gradient)為一種常見的影像處理技術，經常被用於 影像邊緣偵測(edge detection)以及影像切割(image segmentation)。其概念為利用 影像中各像素(pixel)之間的灰階值(grey-level value)變化量，作為像素是否為影像 中物體邊緣的依據。而計算變化量的方式，即為對像素灰階值進行一階微分(first derivative)。假設有一影像如圖 A.1(a)，其 X 軸的灰階值分佈為圖 A.1(b)所示，
其一階微分的值即為圖 A.1(c)。
(a)
(b)
(c)
圖 A.1(a)原始灰階影像 (b)X 軸上的灰階值分佈 (c)X 軸上的灰階值一階微分
由圖 A.1(c)中可以發現，落在原影像中黑白交界邊緣處的像素，在對 X 軸的 operator)來逼近(approximate)，如圖 A.2。
)
其中圖 A.2(a)為水平方向的運算元，圖 A.2(b)則為垂直方向的運算元，中心 點的位置即為點
( )
i, j 的所在位置。其概念為以點( )
i, j 及其鄰近各點的灰階差異 值來做為點 的灰階變化量，又稱為柏威運算元(Prewitt operator)。設 為 點 的灰階值，其 X 方向與 Y 方向向量的計算相當於下式所示： 有索伯運算元(Sobel operator)的提出。索伯運算元在中心點附近的變化量給予較 高的權重(weight)，目的為得到更精確的灰階變化量。-1 0 1 -1 -2 -1
由於能夠得到更精確的灰階變化量，索伯運算元被廣泛的使用來計算影像 的灰階梯度。灰階梯度的值也成為影像邊緣偵測的特徵之一。由於落在邊緣之上 的像素，其灰階梯度值的通常較非邊緣的像素為大，最簡單的方式即為以一臨界 值(threshold)來與影像上各點的灰階梯度值做比較，較臨界值大的即被認為是影 像中物件的邊緣。而灰階梯度中另一個特徵為灰階梯度的方向，此方向具有垂直 於影像邊緣的特性。此特性也為本論文中用以作人頭偵測的主要特徵，我們在第 三章中有詳細的說明。
(a) (b)
(c) (d)
圖 A.4 (a)原始影像 (b)水平方向的灰階梯度值 (c)垂直方向的灰階梯度值 (d) 完整的灰階梯度值