相關研究回顧

在影像處理的辨識中，人們通常使用整體資訊(Global information)當特徵進 行辨識，但是使用整體資訊便已對此系統有了限制，那就是此系統不能工作於 物體被遮蔽的情況之下，當物體被遮蔽時，其擷取出的特徵必定變形，再與資 料庫比對必定出現錯誤的結果，大大降低了辨識率。那麼如何解決遮蔽的問題？

John W.[2]就提出了將整體資訊進行切割成多個部份資訊(Local information)進 行比對，因為切成多個部份特徵，所以運算量必定大於整體資訊的運算量，但 是部份特徵卻能解決遮蔽所帶來的問題，只要能忽略被遮蔽的資訊，將未被遮 蔽的部份資訊與資料庫相比(資料庫也是由區塊資訊所建構)，如此就能判斷出 正確的物件。雖然犧牲了計算量，但是確實讓系統更加的聰明與健全。所以再

相關研究回顧

1. 傅利葉描述子(Fourier Descriptors)：

由John W. , O. Robert 所提出的方法[2]，他將擷取出的完整輪廓(contour)裁

運算量更是驚人[4]

圖 2.完整的飛機影像輪廓以及部份切割後的飛機輪廓。

2. 類神經網路(Neural Network)：

類神經網路本身便有一特性，便是多對一輸出的特性，此一特性正好符合 多個區域特徵的輸入，以及單一個辨識結果的輸出，如圖 3 所示。N. Zheng, Y.

Li,[5]便是利用此特性，將類神經網路系統應用在遮蔽的物件辨識上。本篇論文 是利用線段和弧線的組成來近似所得到的輪廓，將組成後的角(corner)表示成一 個由 8 個成份組成的向量 a，a 由(a1…a8)所組成，將 a1…a8 當成類神經網路的 輸入(圖3 中的 layer1)

圖3.階數為 3 的類神經網路系統。

相關研究回顧

Layer1 所代表的意思是角特徵的輸入點，也就是 a 向量的輸入，所以圖中 的N=8 是固定的。將輸入與 M 中每個點的特徵比較取最小值，並將此最相近 的Mi點設為1，經過 P 次(一物件分 K 個部份)的計算後，可以得到 Layer2 的 資訊。Layer2 所代表的意思是資料庫中所有物件的角的特徵，也不會全部都列 進去，因為部份的角特徵太相近，可以當成一個特徵使用。Layer3 所代表的意 思就是最後的辨識結果，假設資料庫有8 個物件，那麼 C 就等於 8。Layer3 的 結果只有一個點(node)會顯示為 1，其餘皆顯示 0。判斷的依據是依 Layer2 中屬 於哪一個物件的旗標最多就是結果。優點為特徵與影像物件的位置(Location)以 及大小(Size)無關，而且對於旋轉(rotation)與轉移(translation)關係不大。缺點為 因為每個物件中的一個部份就要跟整個Layer2 比對，一個物件本身又有很多個 部份，所以運算量也是相當龐大。

3. 小波轉換(Wavelet)：

Tiehu Du, K. B. Lim 所提出的方法[6]，此作法跟傅利葉描述子類似，都是將 資訊轉換到頻域取係數當成辨識的依據，其使用的原始資訊是輪廓為基礎，將 切割後的輪廓由128 個點表示，其基本轉換與逆轉換如式(1-3)所示，再將 f(x)轉 換成式(1-4)的形式就可分出 scaling(C)和 wavelet(d)的係數。將得到的係數依 x, y 軸排列成如式(1-5)所示的形式，稱式(1-5)為特徵矩陣(Feature Matrix)，此 式(1-5)為 3 階的小波分解。此方法有個極大的好處在於此系統可以階層式 (hierarchical)比對，先比對每個部份的C，比對的方程式如式(1-6)所示，如果C 滿足才進而比對d。優點為經過一些前處理可以得到一些特性，像是轉移、旋 轉、比例(scaling)的不變性，最大的優點在於因為使用階層式比對，所以大大減 少辨識的次數，減少運算量。

∫

= −

Γ dx

s x x

s(τ) f( )ϕ*( τ)

(1-3)

∑