相關研究

影像處理與電腦視覺技術在很多方面都有廣泛的運用，從單張影像的分析到 連續影像的視訊處理皆在其範疇內。前者是對於影像中某特定目標的分析與判 讀，如工業用途的機器視覺檢測或車牌辨識等；後者主要比前者多了時間軸上的 資訊，除了單張影像可能的應用外，對於前後影像的內容可以找出有關係的對 應，如視訊壓縮、前景偵測、物件追蹤等等。在傳統安全監控系統的領域中，所 保存的視訊資料，同樣可以透過連續影像的視訊處理方式，來達到對於不同場景 與目標物的影像內容，提供各種智慧化的分析與應用。

安全監控系統常見的影像與視訊內容分析方法，為建立與分析前景物體的移 動軌跡，因為移動軌跡在某種程度上可以代表前景物體在時間軸上的行為或狀 態，尤其是在街道場景，從軌跡路徑就可以觀察到前景物的動向與去處。而軌跡 通常是伴隨著追蹤而產生的，對於行人的追蹤我們涉獵相關的資料，文獻[1]以 兩物件的重疊程度來判斷前後的兩個物件是否配對，並以一矩陣記錄前後影像中 所有物件的配對狀況，從此記錄數據中研判物件當時是在進入、離開、結合或分 離的狀態，若是有兩個物件結合則將它們的追蹤區塊合併，若兩物件分離則以方 向與色彩資訊來區分這兩個分開的物件。同樣記錄物件移動的狀態來追蹤也使用 在文獻[2]中，透過對物件位置、速度、加速度等資訊的統計分析，判斷追蹤區 塊是單獨、結合、離開畫面、進入畫面等狀況，並以色彩特徵區隔遮蔽的物件。

而另一種追蹤方式是將物件分成多個小區塊，這些小區塊可能是人體的頭、手、

軀幹、腳等部位[3]或是直接將物件的外接矩形切成許多小矩形[4]，對這些小區 塊以輪廓、紋理或色彩等資訊進行各自目標的追蹤，最後再將各區塊的追蹤結果 整合成一個完整的物件。還有一類是透過對訓練資料(training data)學習的方式先 建立物件移動的模型，以此模型對來物件進行比對追蹤[5][6]，其中建立的模型 可以很複雜如[6]，由人體各個部位的小區段（頭、肩頸、手臂…等）組成，不 同的運動姿勢模型是由不同人體區段所組合而成；而[5]的模型則是相對較不複 雜，僅以行人行走姿勢的邊緣表徵來建立行走模型，若追蹤物件被遮蔽時，可以 用之前配對的模型來預測該物件的位置。

安 全 監 控 系 統 中 採 用 軌 跡 資 訊 的 相 關 應 用 有 行 人 的 行 為 判 別 與 搜 尋 [7][8][11][12][13]、交通安全監控[9]、路徑分析[10]等。而在行為判別的應用方 面，可以透過對移動軌跡的分析，將所屬前景物體的行為模式區分為正常行為與 異常行為，通常這類功能是應用在即時的安全監控系統上[11]，當系統判斷有異 常行為發生時，就可以立即發出警報或留下異常行為紀錄。而分析移動軌跡是否 為異常行為有許多不同的作法，其中較普遍的作法是定義單一或多組軌跡模型代 表正常行為，當有新的軌跡出現時，則與之進行比對，符合者則為正常行為之移 動軌跡。常見的正常行為之軌跡模型是透過訓練資料的學習過程而建構的。如文 獻[11]中提出的應用是使用訓練資料來進行軌跡分類，將場景中出現比例較高的 軌跡種類定義成正常行為的軌跡模型，而比例較低者則視為異常行為。不過此方 法在單純的場景中雖可即時辨別軌跡種類，達到警報的效果；不過在複雜的監視 街景中，因為目標物（行人或車輛）多樣的行為模式，將使得異常行為之移動軌 跡無法單純地僅以“發生比例＂做為評判的依據。

而行為判別在非即時的後端應用，亦可使用軌跡資訊來輔助搜尋影片中的異

Component Analysis (PCA)對所有分段的軌跡資料做降維的動作，PCA 後在 spectral clustering 過程中對各分段軌跡的 PCA 參數利用 K-Means 達成分群的效 果。最後再以 string matching 的方式將完整的軌跡修補回來，並儲存在索引資料 庫中。當系統接收到一個軌跡查詢的要求時（特定行為之軌跡），會以同樣的流 程(PCA、spectral clustering、string matching)對該查詢軌跡進行處理，得到該軌 跡符合索引形式的資料，接著查閱系統內的索引資料並回傳相似度較高的軌跡清