相關研究

(a) 綠色矩形前景物體位於畫面邊緣 (b) 綠色矩形前景物體位於畫面中央 圖 1.1 近紅外線影像光源分布不均勻

1.3 相關研究

本文的重點為雜訊濾除及人物偵測，目前學界已有不少此兩類的研究，但多 數研究皆針對一般可見光彩色影像設計，只有少數的文獻探討近紅外線影像，本 節將介紹一些空間域之雜訊濾除之研究及幾種目前最常被使用的人物偵測法。

1.3.1 雜訊濾除之相關研究

濾除雜訊之方法可分為空間域及頻率域兩大類，文獻[1]介紹幾種基本的濾 除雜訊之濾波器，如空間域濾波器有平均濾波器（mean filter）、中間值濾波器

5

（median filter）及高斯平滑濾波器（Gaussain smoothing filter）等，此類分別以 每個像素點為中心之空間區域作加權平均計算的濾波器泛稱鄰近點濾波器

（neighborhood filter）；而頻率域濾波器有理想低通濾波器（idea lowpass filter）、

巴特沃斯低通濾波器（Butterworth lowpass filter）及高斯低通濾波器（Gaussian lowpass filter）等方式。其中，高斯平滑濾波器是取空間中各個像素點的灰階值，

並依其個別與中心點的距離作加權平均運算，此方式雖能平滑化空間中特異的雜 訊點，但是在灰階值有變化之邊緣部分或物體表面的材質皆會產生模糊效應。本 小節將介紹另外一些空間域濾波器，並探討其特性。

文獻[2]提出的非等向濾波器（anisotropic filter，AF）為另一種空間域濾波器，

此濾波器主要針對此模糊效應作改善。該濾波器處理每一個像素點時先計算其梯 度（gradient），梯度為影像灰階值變化的趨勢，若該點位於邊緣，則其梯度可代 表此邊之法向量，接著以該點為中心依其梯度值垂直的兩個方向使用高斯濾波器 作加權平均。因此，經過非等向濾波器濾除雜訊後，影像中邊緣為直線的部分其 模糊效應會略微降低，但是邊緣曲率越大的部分其模糊效應不會獲得改善。

文獻[3]提出的變異數總和最小化（total variation minimization）是一種數值 分析方法，此方法藉由最佳化有限制的目標式達成雜訊濾除之目的。此方法的目 標為最小化影像中每一個像素點其梯度值之總和，並存在兩個限制條件：一為雜 訊濾除前、後影像的灰階值總和相同，此假設隱含著雜訊是以零為平均之白雜訊

（white noise）分佈；二為白雜訊的變異數固定。最後再利用拉格朗日乘數法

（Lagrange multiplier method）求解目標式。此方式能夠保留小曲率的弧線使其 不受模糊效應的影響，但若拉格朗日乘數設定不適合，會造成影像過度地平滑 化。

文獻[4]之雙向濾波器（bilateral filter）為一種鄰近點濾波器，由高斯平滑濾 波器變化而成。此濾波器濾除每一個像素點之雜訊時，依據區域中各點的兩種特 性作加權平均計算：一為該點與中心點之距離，距離越大會導致權重越小；二為 該點與中心點的灰階值差異，差異越大會導致權重越小。由於需考慮兩種特性作

為加權計算的依據，因此稱此濾波器為『雙向』濾波器。以區域間各個像素點與 中心點之灰階值差異作為權重分配依據有一個缺點，即當中心點為雜訊時，會使 其餘像素點的權重分配失真。本研究即以此濾波器做為雜訊濾除之基礎，並針對 中心點為雜訊點的問題加以改善。

文獻[5]提出非局部平均濾波器（non-local means filter）亦為一種鄰近點濾波 器。前段描述之雙向濾波器濾除一個像素點之雜訊時，使用該點鄰近區域內每一 個像素點與該點的距離及灰階值差異作加權平均的計算。非局部平均濾波器與雙 向濾波器相似，亦是以距離及灰階值差異兩種特性作為加權平均的依據，但非局 部濾波器濾除一個像素點之雜訊時，必須以該像素點之鄰近區域與影像中所有像 素點之鄰近區域為考量，並對兩鄰近區域間之距離及區域總灰階值差異作加權平 均的計算。此方式由於以區域為單位作比較，而雙向濾波器以像素點為單位作比 較，因此能改善單一雜訊點所造成權重分配失真的問題，但是需耗費更大的運算 量。

1.3.2 人物偵測之相關研究

既有的人物偵測方法主要分為兩種：第一種是以建立背景模型為基礎，並藉 由前、背景分割將前景物體偵測出來；第二種則是以特徵或是偵測器為基礎，此 類方法皆是以人物較明顯的特徵為偵測依據，例如膚色、人臉、人形等特徵。本 小節將介紹一些人物偵測之方法，並分析其特性。

文獻[6]提出的高斯混合模型（Gaussian mixture model，GMM）是目前最常 被使用的背景建模模型之一。高斯混合模型適用於背景相同之連續影像，該模型 以空間中每一個像素點之色彩值為單位建立多個高斯分佈，並賦予每一個高斯分 佈權重值，表示該高斯分佈為此連續影像背景的可能性。每當輸入新影像時，此 模型會比對新影像的每一個像素點，判斷其色彩值是否屬於背景模型中任何一個 高斯分佈。若該色彩值已存在於某一個背景高斯分佈，則判斷該像素點為背景；

7

反之，則判斷該像素點為前景。最後依照文獻中法則來更新背景模型之資訊，以 達成即時偵測並學習之目的。高斯混合模型所適用的環境必須為穩定或漸進式變 化之背景，如此該模型才能穩定實行。當環境為非固定式攝影機或瞬間變化之背 景，高斯混合模型之學習速度將不足以應付此環境導致偵測結果不理想。

文獻[7]提出一個以偵測器為基礎之人物偵測方式，主要利用 Adaboost 演算 法訓練人類頭肩部、軀幹、下肢之分類器，再以此訓練出的偵測器進行辨識。由 於此論文之偵測器以小段邊緣為基礎，輸入影像皆須先以Sobel 濾波器找尋影像 之邊緣部分。訓練及辨識的過程中，以小段邊緣之灰階值以及方向性為依據判斷 偵測器與樣本是否相似。此方式可容忍背景的變化，但必須先耗費大量功夫定義 分類器及訓練偵測器。此外，若因前景人物的身體姿態或穿著型式等原因造成其 輪廓與偵測器所定義的特徵不同，此方式之結果會不理想。

文獻[8]提出另一個以偵測器為基礎之夜間近紅外線影像之人物偵測方式。

此文獻針對駕駛人輔助系統設計一個車輛專用之夜間行人偵測系統，利用支持向 量機器（support vector machine，SVM）訓練正面及側面之人形偵測器，並搭配 小波（wavelet）係數轉換對不同解析度的可能前景物作偵測。此種以偵測器為 基礎的人物偵測方式，需靠大量蒐集樣本並訓練合適的偵測器，其偵測期間常常 會因訓練樣本其多元性不足而造成實際案例偵測結果不理想。