由於科技的發達與進步，基於安全考量與防範入侵的各種監控系統因應而 生。然而當前的監控系統都有使用上的限制與瓶頸，並非適用於任何情況，因此 為了檢驗系統的正確性、穩定性與廣泛性，蒙恬科技公司與交通大學合作針對不 同場景、目標物、光源、移動軌跡等各種條件變化進行拍攝，建立影像之資料庫，
以提供給開發端針對監控系統上偵測、辨識、追蹤等功能做為執行效能之評估與 驗證。最後希望未來此資料庫能當作產學界相關研究的平台，提供各界開發端進 行系統效能之評估。
建置資料庫可分為兩個部份，影像蒐集和資料庫架構設計。影像蒐集為拍攝 監控影像所採用的拍攝方式與設備；資料庫架構為整體設計的核心，又分成以下 三種項目，如影片名稱編碼規則、資料屬性定義、功能介面設計。接下來將介紹 這兩部份的內容。由於此資料庫之基本架構與功能已於文獻[13]中詳細論述，因 此本章節主要說明資料庫後續延伸的功能與新增的資料屬性，而文獻[13]中既有 的資料庫內容將另整理於附錄A之中，本章節最後展示目前資料庫的影片數量與 種類。
在影像蒐集的部份，拍攝地點以交通大學內之場景為主，並模擬監控視角拍 攝室內與室外出入口的門禁影像，拍攝所使用的硬體設備詳見附錄 A。而在資料 庫架構的部份，影片名稱編碼規則、資料屬性定義、功能介面設計的基本內容請 參閱附錄 A 說明。然而在資料屬性定義與功能介面設計這兩方面我們有做後續 的延伸，以下就延伸的內容做詳細的說明。
在原來的資料屬性項目中，只有以拍攝場景的分別和影片內容的視訊特徵來
定應用模組的影像搜尋與取得以供監控系統測試。因此資料庫中每一段影片我們 以 Yes/NO 來表示是否具有該類型之應用，如圖 2.1 中每一欄位的標示。而同一 段影片可能會屬於多種應用類型，對於應用類型的界定，彼此會產生重疊性。目 前我們對資料庫總共整理出 15 項應用類型，內容如下：
(a) 虛擬圍牆：在影像中畫出一個虛擬界線，做為有無跨界或入侵的偵測。
(b) 人臉辨識：辨識影像中的人臉，人臉的特徵必須足夠清晰。
(c) 人潮估計：估計場景之中的行人數量，場景涵蓋的範圍較廣。
(d) 車潮估計：估計路段或十字路口的車輛數目，場景涵蓋的範圍較廣。
(e) 車牌辨識：辨識影像中的車牌，車牌的特徵必須足夠清晰。
(f) 車速估計：估計影片中車輛移動的速率。
(g) 遺失物偵測-反光：偵測有反光特性物品（玻璃材質）遺失之情形。
(h) 遺失物偵測-陰影：在具有陰影影響的情況下，偵測物品的遺失。
(i) 行人逗留-室內：偵測行人於室內環境的逗留情況，如辦公室。
(j) 行人逗留-戶外：偵測行人於戶外環境的逗留情況，如居家門口。
(k) 交錯 ID 保留：測試目標物發生交錯後，其 ID 編號保留的準確性。
(l) 人車分類：區別影像中的人物與車輛。
(m) 停車場管理：所有具有停車場監控場景特色的影片。
(n) Counting-人：針對某一門口行人之計數，通常為門口上方俯拍之場景。
(o) Counting-車：針對某一路段或車道的車輛之計數。
由於多了應用導向的資料屬性，因此在資料庫的功能介面中，有關資料搜尋 的功能也新增了應用類型的選項，如圖 2.2 所示，單次搜尋最多可複選三種應用 類型，以找出同時具備多種應用的影片。
圖 2.2 應用類型的搜尋選項。
在資料庫內容的擴充方面，除了增加更多類型的場景外，也針對各種應用類 型拍攝具有該應用情境的影片。接下來將以兩種分類依據：原來的資料屬性（場 景、視訊特徵）與新增的應用導向的資料屬性，對目前資料庫儲存的所有影像資 料進行數量的統計。表 2.1 是以場景與視訊特徵為分類依據的數量統計表；而表 2.2 則是採用應用導向的分類依據對目前資料庫內容所做的數量統計。
表 2.1 場景與視訊特徵的數量統計。
表 2.2 應用導向的數量統計。
應用類型 影片數量
虛擬圍牆 390
人臉辨識 255
人潮估計 25
車潮估計 40
車牌辨識 70
車速估計 110
遺失物偵測-反光 15
遺失物偵測-陰影 55
行人逗留-室內 6
行人逗留-戶外 15
交錯後 ID 保留 150
人車分類 45
停車場管理 25
counting-人 220
counting-車 30