比較各演算法之辨識結果

在第一個實驗，我們比較四個演算法的結果：我們在環境中拍攝 11 個場景，每個場景拍攝 13 個角度，每個角度間隔 5 度，將此影像群做為 影像地標的資料庫；而測試部份，在同一個位置拍攝 62 個不同角度的影 像，每個角度相差1 度，所以測試影像與影像地標，本身就有些微的差異，

然後將統計分析這些辨識率：

表 2 各模型在同一位置不同角度的辨識率

演算法 辨識率

低通濾波器 98.8%

擴展直方圖 100%

主軸分析 97.3%

高斯混合模型 100%

此表所採用的參數分別是：低通濾波器是將原本的影像資料320 240× 個像 素點，變成40 30× 個像素點，而主軸分析採用前面 150 個特徵向量，而擴 展直方圖所採用的解析度為每個8bits 的像素值(即 0~255 的整數)，為直方 圖的基本單位；而高斯混合模型採用 12 群；其中可以透過觀察，低通濾 波器和主軸分析這兩項的辨識率比較低一點，所以我們嘗試將低通濾波器 的模糊程度稍微提高，將影像資料分別變成：80 60× 、160 120× 甚至是

320 240× ，其辨識率分別為 99.4%、99.7%以及 99.4%，所以如果希望能夠

再提高此方法的辨識率，可以將影像的解析度維持在80 60× 個像素點以 上，但是其效果仍不夠好，同理，如果將主軸分析採用的特徵向量改成取 前 200 個特徵向量，其辨識率將變成 97.31%，僅僅提萬分之一，所以前 150 個特徵向量在此實驗應該足以表示此影像地標，至於擴展直方圖與高 斯混合，其效果不錯，所以以下的參數將延續上個實驗。

接著我們要嘗試將位置前後左右偏移分別為5cm、10cm 、15cm、20cm、

50cm，而角度仍然採用-30 到 30 度，每隔一度擷取一張影像，與 11 的影 像地標進行比對，其結果如下表所示：

表 3 各演算法在不同地標的辨識率

演算法

偏移距離 5cm 10cm 15cm 20cm 50cm 低通濾波器 99.7% 99.25% 98.89% 96.5% 74.07%

擴展直方圖 100% 100% 99.85% 98.65% 79.13%

主軸分析 95.3% 93.29% 89.26% 84.2% 61.3%

高斯混合模型 100% 100% 99.68% 98.77% 83.16%

其中，低通濾波器的部分透過上一個實驗，發現，至少保留80 60× 像素以 上的資訊其辨識率較高，所以這個實驗，就採用80 60× 像素做為特徵空間 中所描繪的分布；而擴展直方圖、主軸分析、高斯混合模型則同上採用同

向量，高斯混合群數為 12 群。而其效果，不言而喻的可以發現擴展直方 圖與高斯混合模型有比較優良的結果，但是觀察其它演算法發現，影像內 容物對於擴展直方圖有很直接的影響，所以如果影像地標中稍微有障礙物 進入阻隔，其受影響的程度會遠比高斯混合模型來的大，我們將利用影像 處理軟體，將障礙物玩偶，如圖 27 所示；放置在影像地標前面，來測試 其結果，而所選用的場景為建立影像地標的原點，每隔 1 度拍攝一張影像，

從-30 到 30 度，共 61 張影像，：

表 4 加入障礙物之後的辨識結果

障礙物 演算法

擴展直方圖 高斯混合模型 遮蔽 5% 90.46% 100%

遮蔽 10% 87.05% 100%

圖 27 置入卡通海賊王玩偶障礙物遮蔽影像

因此，當偏離影像地標近，而且影像地標不被遮蔽改變的情況下，擴展直 方圖，的確是比較佔優勢，但是擴展直方圖，對於雜訊的變異有比較大的 反應，對於有物體被改變時，也是有很大的反應，容忍度較低，而高斯模 糊則能夠辨識出自己該歸屬的影像地標資料庫，而較少誤判。

所以總結以上數個實驗的結果，可以分成數個考量面來分析：

第一、速度：

建立資料庫：以高斯混合模型與主軸演算法在建立資料庫時比較耗 費時間，而低通濾波器為最快。

影像地標認知測試：以低通濾波器與高斯演算法的辨識比較耗時，

而擴展直方圖為最快的比對。

第二、儲存空間：

以低通濾波器的結果為最耗費儲存空間，需要紀錄接近整張影像資料 大小的數量級，而其餘三者只需要紀錄特徵向量，或是紀錄模型參數 即可。

第三、精確度與容忍度：

透過之前種種的實驗，高斯的確在這方面有比較優良的結果，而且高 斯模糊化影像並不是將所有的影像資訊等份的濾除以降低資料量，而 是濾除比較不重要的局部區域變化，所以得到減低資料量的影像反而 更加銳利，如圖 28 所示，對於未來可以發展的空間，則有比較大的

衍生空間，來從事其他利用或更加準確定位。

(a)

(b)

(c)

圖 28 (a)空間中 11 個場景(b)高斯混合模型之分布(c)其模糊化後之影像