第二章 系統架構
2.2 系統運作
圖 2.4顯示本系統運作的流程圖，其中包括兩大步驟：第一大步驟，車輛的 擷取(VehicleExtraction)包含 Time-SpatialImage的建立、陰影去除、ROI 的 偵 測 、 以 及 ROI 速 度 的 修 正 ； 第 二 大 步 驟 ， 車 輛 分 類 與 計 數 (Vehicle ClassificationandCounting)。以下針對這兩部份做簡單概述，詳細內容將在 第三章到第四章做描述。
圖 2 . 4 車輛分類與計數系統架構圖。
2 .2 . 1 、車輛的擷取
在車輛的擷取部份，本研究提出運用 TSI圖透過陰影去除和簡單的型態學 (morphology)處理來擷取車輛，此法不但可以避免運用背景和輸入影像的差異來 偵測車輛可能遭遇的問題，而且計算速度也大大提升。
首先使用影像中一條虛擬偵測線(Virtualdetectionline)將每一張輸入影 像的偵測線堆積形成 TSI影像，如圖 2.5示。由於取出的 TSI圖中可能包含有車 輛及其陰影，陰影部份必須先移除，才能增加後續分類與計數的準確度。在此，
我們利用 SVM與 DeterministicNon-ModelBasedApproach進行陰影與非陰影 的分類，SVM的方法為事先將 TSI影像切割成小區塊，然後先收集各區塊並將區 塊分類為陰影和非陰影兩大類，每個區塊運用離散小波轉換取得特徵值，接著再 利用 SVM演算法針對上述訓練資料建立陰影與非陰影分類器，來去除陰影的部份，
由於 SVM無法正確對陰影邊緣進行分類，因此利用 DeterministicNon-Model BasedApproach進行修正。此方法可運用在各種不同情況下，例如:白天或晚上，
並且具有計算快及準確度高的優點。接著利用邊緣特徵作形態學(morphology) 處理找出可能為車子的區塊，稱為 RegionofInterest(ROI)，如圖 2.6所示。
有關 TSI影像的形成與比直接在影像序列中分析車輛的優點和陰影去除的方法 將在下章節作更詳細的說明。
圖 2 . 5 T i m e- S p a t i al I m a ge 。
圖 2 . 6 R e g io n o f In t e r e st 。
2 .2 . 2 、車輛分類與計數
我們自 TSI影像中取出已去除背景及陰影的 ROI後，接著便要進行車輛的分 類與計數。然而由於 ROI中可能為一輛車或是多輛車互相遮蔽(mutualocclusion) 而 成 ， 因 此 本 研 究 提 出 使 用 ROI 累 計 曲 線 (accumulated curve)和 Fuzzy ConstraintsSatisfactionPropagation(FCSP)的技術來處理遮蔽的問題。首先 我們針對各種不同車種收集大量的 ROI區塊，接著針對各車種建立累計曲線樣板，
如圖 2.7所示。輸入的 ROI區塊用同樣的方式隨時間逐步建立累計曲線，利用 FCS的投影技術進行與樣板的比對，如此不但可以進行車輛分類外，也可以解決 遮蔽問題。最後便可針對車輛分類的結果進行數量的統計。詳細的方法內容將在 第四章作說明。
圖 2 . 7 建立累計曲線樣板。
第三章 車輛的擷取
車輛擷取的目的是希望在 TSI圖中決定出與車輛相關的區塊，我們稱此區塊 為 ROI，有關 TSI圖的形成將在本章做詳細的說明。在過去的研究中對於攝影機 所得到影像進行車輛的偵測[22]，常常使用背景影像和輸入影像之間的差異作比 較（backgrounddifferencing），此種方法有以下的缺點：第一是取出的前景物 通常有破碎或空洞等不完整的現象，稱之為 under-segmentation，如圖 3.1所 示；第二是為了彌補 under-segmentation的問題，系統需要耗費額外的時間與 資源來處理。本研究提出運用 TSI圖透過簡單的型態學處理來擷取車輛，此法不 但可以避免運用 backgrounddifferencing來偵測車輛可能遭遇的問題，而且計 算速度也可大大提升。
以下我們詳細介紹過程中較重要的步驟，包括 TSI圖的建立、陰影去除、ROI 的偵測、以及 ROI速度的修正。