2.1 相關研究
現今社會視訊監控系統的技術已發展了一段時間，而物件偵測與追蹤 也是值得探討研究的一個議題。監控系統的首要目標為建立背景模組，包 含背景建立、背景更新和前景物偵測，所謂的前景物即是相對於背景的移 動物體，而整體背景模組的好壞，會直接影響接下來的陰影去除 (shadow removal)、追蹤(tracking)以及異常偵測(event detection)的結果。
背景建立的方法，可分為影像平面的 2-D model 以及世界座標系的 3-D model，而現今的 3-D model 並無法建立於複雜的室外環境，大多只能 建構在室內，因此大部份的應用會選擇簡單的 2-D model 為主。
對於固定的攝影機而言，背景建 立的方法有:Stauffer et al. [1] 提出的 a mixed Gaussian model，對每個像素使用多個 Gaussian model 來表示，可以 立即地更新背景影像來處理光線或場景所產生的變化。Toyama et al. [2] 提 出的 Wallflower 演算法，將前景物偵測分為三個階段: pixel level, region level 和 frame level，在 pixel level 利用顏色的資訊找出可能的前景物，接著 在 region level 處理物體重置(object relocation)的問題，所謂的物體重置是指 當背景中的物體被重新放置在其他位置時，導致前景物偵測產生錯誤，而 frame level 則是處理光線所產生的影響，利用這 3 個階段來減少前景物判斷 錯誤的機率。Haritaoglu et al. [3] 使用簡單的 Gaussian model，利用minimum
intensity、maximum intensity 和 maximum intensity difference 來表示每個像 素，並不斷根據輸入影像來更新此 3 個值。 McKenna et al. [4] 利用 color 和 edge 的資訊來建立背景模組，以減少光線所造成的影響。
而前景物偵測可分為以下 3 類:
(1) 背景相減法(background subtraction)：背景相減法的方法是根據 事先建立好的背景影像，將輸入影像減去背景影像後所得到的 差異，即可能是前景物所在的位置。此方法簡單且可快速的找 出場景中的變化，但對於光線的變化較為敏感，因此對於背景 建立以及背景更新的選擇，就極為重要。
(2) 影像差異法(temporal difference): 影像差異法的方法是將連續 的影像彼此相減，以此差 異來找出前景物所在的位置，使用此 方法的優點是較能適應動態環境的變化，缺點則是並無法找出 的完整的前景物(會在前景物的內部形成空洞 )且對於靜止不 動的物體也無法偵測，於是在 Lipton et al. [5]中便利用了背景 相減以及影像差異的優點，改善了無法偵測靜止物體的問題。
(3) 光流偵測法(optical flow):此方法使用 flow vector 的特性來找出 前景物的位置，對於獨 立的移動物體或是移動式的攝影機能有 較好的效果，但需較複雜的運算且亦受雜訊所影響，因此並無 法應用在沒有硬體支援的即時系統中。
這種傳統方法需要較大的儲存空間與計算能力來統計過去一段時間的 影像內容藉以建立背景模型，同時容易受環境內的細微變化影響而誤判，
本文探討一些過去的方法，經過進一步的研究與改善，將影像訊息內容量 以熵表示，以直觀的數字變化來區分影像的變異，以期達到較佳的效果。
2.2 系統設計架構
本研究希望提供一智慧型輔助監控系統，也就是說直接透過系統主動 對監控影像內容進行判別，篩選出可疑畫面對管理人員發出警報，再由管 理人員做最後的確認。
首先，利用固定的攝影機取得原始的彩色影像，將取得的影像進行以 下影像處理：灰階轉換－減少不必要的記憶體佔用空間；用低通濾波作模 糊化－去除雜訊和高頻的部份，接下來，使用直方圖(histogram)統計影像色 彩使用的頻率以及計算邊緣偵測後的像素點的水平與垂直分佈統計量，然 後 使 用 Entropy 評 估 影 像 中 像 素 所 出 現 變 異 量 ， 最 後 藉 由 灰 色 預 測 (Grey-Prediction)進一步運算出臨界範圍並做出判斷。
最後，則提出下列四種可能發生的狀況來進一步的探討與實驗：
(一) Event 1：影像中無任何改變。
(二) Event 2：物件在影像中的位置變化。
(三) Event 3：有物件進入影像。
(四) Event 4：影像中顏色改變，但沒有物件進入或位置移動的變化。
圖 2-1 系統架構圖