植基於步態能量影像之性別辨識系統

本論文所提出的方法分為三個主要階段：影像前處理、特徵擷取及分類辨識。

完整方法的系統架構如圖 3.1 所示，各階段詳細說明如後。

圖 3.1：系統流程圖

7

第一階段：

在影像前處理部分，我們使用步態資料庫中所提供只有單純背景的影像當作 絕對背景。接著，我們將有運動的目標擷取出來，因為背景是處於完全靜態的情 況下，所以我們選用簡單、效果佳且易於實現的背景相減法[34]予以完成步態輪 廓的提取。我們將輸入之行人影像與絕對背景影像進行相減，相減後的像素點之 灰階值若高於門檻值，則此點極可能為行人，我們將此點設為 1；反之，當相減 後的像素點之灰階值若低於門檻值，則為影像沒有變化，我們將此判定為背景且 此點設為 0。絕對背景影像與行人影像如圖 3.2 所示。

(a)絕對背景影像 (b)行人影像 圖 3.2：CASIA 資料庫影像

相關公式如公式(1)所示：

, (1)

為第 t 秒時之輸出結果， 為第 t 秒時輸入影像在 座標時之像 素灰階值， 為絕對背景影像在 座標時之像素灰階值， 為門 檻值。

在進行運動目標偵測時，會遇到因受光不勻稱的關係而在執行背景相減法後，

影像會產生部分的陰影，這會影響之後的辨識效果，因此我們將依照 Cucchiara

8

等人[35]所提出的陰影偵測法偵測影像中的陰影。偵測陰影的原理是因為陰影部 分通常會較背景為暗，也就是像素的灰階值較低，所以我們利用此特性將輸入影 像除以絕對背景，當低於一個門檻值時，我們就可推斷此處即為陰影；之後將經 過背景相減處理後之影像減去陰影區域後，即可完成前處理部分。影像中的陰影 部分如圖 3.3 所示。

圖 3.3：陰影範例圖

陰影區域的判別如公式(2)所示：

, (2)

為第 t 秒時的陰影區域， 為第 t 秒時輸入影像在 座標時之像 素灰階值， 為絕對背景影像在 座標時之像素灰階值， 、 為其門檻 值。

在本論文，我們使用 OpenCV 函式庫提供的背景相減法，對輸入影像進行步 態輪廓擷取，之後偵測出陰影區域並去除。我們以此方法對原始資料庫的影像圖 3.4 與 3.6 進行前處理分別得到圖 3.5 與 3.7 所示之影像。

9

圖 3.4：原始影像(女)

圖 3.5：經背景相減與陰影去除後影像(女)

圖 3.6：原始影像(男)

圖 3.7：經背景相減法與陰影去除後影像(男)

原始影像經過上述處理後，將變成一張 的影像，人影會出現在整 張影像的某個區域，這並不適合之後獲取步態能量影像之用，因此需把此影像進 行正規化處理，將多餘的黑色背景區域去除，並把影像縮放至同一大小 。 正規化處理如圖 3.8 所示。

10

(a)原始影像 (b)正規化後影像 圖 3.8：正規化

第二階段：

為了從經過前處理後的步態影像中取得足以代表性別紋理特徵的資訊，在第 二階段的資訊擷取方式，我們將採用以 GEI 為基準，並提出 TPLZP 的方法與採 用區塊式的方法建構整張影像的特徵資訊。

我們將輸入影像先經過 GEI 處理，將其切割成 個不重疊的子區塊，再 將各區塊以 TPLZP 運算擷取紋理特徵。然後，對每個子區塊求取其特徵影像直 方圖後將其依序串接，形成代表此張影像的特徵直方圖，最後以此特徵直方圖做 為步態性別影像的性別特徵進行後續辨識。

第三階段：

我們將第二階段產生的特徵資訊輸入支持向量機(support vector machine, SVM)進行分類辨識。此階段分成訓練及測試二部分進行：訓練部份，將每張訓 練影像依第二階段所產生之特徵直方圖作為特徵向量，並輸入至 SVM，以訓練 樣本進行 SVM 模型的建立。在測試部份，測試影像亦經相同的特徵擷取步驟取 得特徵向量，再將其輸入訓練完成的 SVM 模型中進行性別分類並獲得最終辨識 結果。

11