監視器位移異常

監視器位置的改變導致視角改變，造成拍攝的影像失去監視價值。根據受到外力大 小影響，監視器改變的程度也不盡相同。如圖 25、模糊類型示意圖受到的外力較小時 位移幅度較小，背景物件座標的改變也較小。反之受到的外力較大時位移幅度也大，影

像上背景影物件座標的改變也來得大。因此在實驗中對於位移幅度的大小，對不同位移 量進行位移異常的偵測。但是監視器的位移並非只有水平位移，也可能為垂直方向的位 移，以及非特定方向位移類型。對於這些不同位移方向的類型，都進行位移異常的實驗。

另外，發生位移異常情況時，位移後的影像上可能會遭到物品占據畫面。像是道路兩旁 的行道樹，或者路旁店家招牌等。此類的情況雖然和遮蔽異常特徵相似，但實際上監視 器並沒有遭到遮蔽的破壞行為，不能認為此類的情況視同遮蔽異常。因此在位移異常情 況的偵測當中，加入此類型的情況進行位移偵測的實驗。

(a) (b) (c) (d)

(e) (f) (g) (h) 圖 25、模糊類型示意圖：(a)-(b)水平位移量小，(c)-(d)水平位移量小且場景較複雜，(e)-(f)

非水平位移，(g)-(h)非水平位移且場景較複雜

監視器位移偵測實驗部分如表 5，在位異異常情況偵測的偵測率為 98.7%，異常情 況分類有 99.4%的辨識率。在室內場景部分有良好的偵測率，發生異常時都能夠正確偵 測出來。雖然系統能偵測出異常，但在分類上卻有些許的誤判。當監視器發生位移異常 時，會自動重新對焦、引發短暫模糊現象。發生的異常情況為位移，可是系統會錯誤分 類為模糊異常。在室外場景部分同樣也有這樣的問題存在，位移期間自動重新對焦產生 模糊現象進而錯誤分類。其他室外場景偵測錯誤的發生，多為前景變化幅度過大。像是 車速過快的道路、街段，前後偵測時畫面上的車輛數量差異過大，邊緣位置產生非常大 的變化，誤將正常運作時的狀態視為位移異常。部分的行道樹若遇強風時，樹葉呈現搖 晃的狀態。轉換為邊緣資訊後座標不斷改變，造成系統錯誤偵測為監視器位移異常。

表 5、位移異常實驗數據

室內場景 室內場景 室外場景 室外場景 前景變化少 前景變化多 前景變化少 前景變化多

偵測率 100% 100% 97.7% 97.1%

辨識率 98.6% 99.1% 97.7% 97.1%

4.5 實驗結果

測試場景類型包含非靜態的背景環境、人車移動，以及光影變化等狀況。以這些特 性進行室內外的實驗模擬，並進行數據的統計和分析。由室內外各場景錄製 60 張影像 序列，進行閥值的樣本訓練。訓練好後進行 5 個室內和 5 個室外場景測試，總計 10 個 場景共 6,000 張景像，期望能正確偵測出破壞事件並進行分類。經由樣本的訓練和實驗 的測試，提出的方法能確實偵測出異常情況。

系統執行時間測試上，背景更新和異常情況偵測總時間間隔為 1 秒。測試結果每次 執行時間平均為 0.25 秒，能在時間間隔內完全進行偵測，同時確保背景影像的更新。

當前影像和背景影像擁有一定的差異性，不因偵測時間間隔過短，造成兩影像差異甚小、

無法正確偵測，可有效降低誤判發生的可能性。在實驗測試方面結果如表 6，前景變化 少之室內場景偵測率為 98.9%，前景變化多之室內場景偵測率為 99.3%。而前景變化少 之室外場景偵測率為 98.2%，前景變化多之室外場景偵測率為 97.3%。總共全部異常情 況的正確偵測率為 98.4%，即監視攝影機若發生異常情況時，大多數情況可正確發出警 報、無異常情況時無發生警報。在大部分的環境變化如陽光陰影改變、風吹造成樹葉抖 動、車輛正常行駛在道路上和行人來往走動，對於這些的前景變化具有一定的容忍度，

不容易出現錯誤的偵測結果。

表 6、室內外偵測率實驗數據統計

室內場景 室內場景 室外場景 室外場景 前景變化少 前景變化多 前景變化少 前景變化多

遮蔽異常 100% 100% 98.7% 97.7%

模糊異常 96.7% 97.9% 98.4% 97.2%

位移異常 100% 100% 97.7% 97.1%

總偵測率 98.9% 99.3% 98.2% 97.3%

在監視器異常類型的種類辨識上，提出的方法擁有三種類型完全分類的能力。經由 室內外場景實驗後，異常情況分類的結果將透過下列來表示：

DR (41)

FR (42)

DR 代表的是目標樣本在正確分類的比率(Detection Rate)，FR 則是指目標樣本分類成錯 誤的比率(False Rate)。在攝影機異常情況的辨識當中，DR 代表的意思為監視攝影機遭 受到遮蔽、焦距錯誤造成的模糊，以及攝影機遭受轉向時，有正確偵測出異常情況和正 確的分類其異常種類。相反的，FR 所代表的即是發生攝影機異常情況時，辨識出異常 情況但異常情況分類錯誤。當中 TN 為 True Number 的意思，有偵測出異常且分類正確。

FN 則為 False Number，雖然同樣有偵測出異常情況，但在異常情況上的分類錯誤。同 時也包含系統誤判時，錯誤偵測也視為分類錯誤。在異常情況分類結果如表 7 所示，室 內場景在分類上有 98.4%的辨識率，而在室外場景的異常分類上有 97.7%的辨識率。

表 7、室內外場景分類實驗數據統計

室內場景 室外場景

DR FR DR FR

遮蔽(Obstruction) 100% 0% 97.9% 2.1%

失焦(Fuzzy) 96.4% 3.6% 97.8% 2.2%

位移(Displacement) 98.9% 1.1% 97.4% 2.6%

在鏡頭模糊異常的誤判部分，由於部分室內場景監視攝影機放置高度非一般監視器 是三種類型皆能進行偵測，但無法對破壞類型進行分類。像是 Ribnick 提出的 Histogram Difference 方法[8]，同樣是使用三種不同的偵測方法，達到三種破壞類型皆能偵測出異 常的能力，但在異常情況的辨識上並無提及。Aksay 提出 Wavelet Coefficients 方法[9]

雖然只使用了一種偵測方法，擁有較為短的運算時間，但在異常情況偵測的種類方面，

僅能對遮蔽和失焦兩種異常情況進行偵測，且在異常情況之辨識與分類上並無提及。而 Tung 所提出的 Codebook Model 方法[13]，經由事先訓練建立出的背景模型作為比較的 對象。對於異常偵測能力方面擁有良好的正確率，並且能夠辨識、分類該情況是屬於哪 種異常情況。然而在異常情況的偵測類型上，也僅僅只有遮蔽偵測與位移偵測兩種而已。

另外 Yin 所提出的 SIFT-based 演算法[15]，改善傳統 SIFT 演算法的長時間運算缺點，

大幅降低了整體運算的時間。透過善後的演算法特性，能夠對遮蔽異常和位移異常進行

偵測，在模糊異常方面並無提及。最後 Lee 所提出的 Low-Complexity 演算法[16]雖然擁 有低複雜度的計算，也能對三種類型進行異常偵測，但在異常情況分類能力上並無提及。

綜觀這些方法的偵測能力與差異整理出表 8，可明顯看出不同方法和本文的差異。

表 8、攝影機破壞類性分類能力

辨識分類 遮蔽偵測 失焦偵測 位移偵測 Histogram Difference[8] Null Yes Yes Yes Wavelet Coefficients[9] Null Yes Yes Null

SIFT-based[15] Null Yes Null Yes Low-Complexity[16] Null Yes Yes Yes Codebook Model[13] Yes Yes Null Yes

Ours

Algorithm Yes