結果討論

在本論文系統中，討論了幾種不同因素對於辨識率的影響，第一部份討論不 同視角對於辨識率的影響，經過實驗後發現在不同方法下對於不同的拍攝視 角範圍也有不同的辨識率，例如利用傅立葉描述子這種特徵是基於輪廓線的抽取，

對於本論文定義之低的標高角度時，相對於本論文提出之結構特徵，其傅立葉描 述子對於低的標高角之辨識錯誤率是相對高的，原因在於當標高角低時輪廓的表 現較不顯著，而在較高的標高角度時，不論是利用傅立葉描述子或是結構描述子，

都可得到較低的辨識錯誤率，而在特定範圍的標高角度時，由圖 4-5 所示在 30 度至 70 度之範圍時，則更可以得到較低的辨識錯誤率，而在距離對於辨識率的 影響方面，本論文提出整合型的方法，利用抽取出之輪廓線封閉與否來決定是否 要作方法的切換，不論在雷射測距儀與塔台之距離遠近，本論文所提出之整合型 方法比較只利用結構描述子或是傅立葉描述子的辨識率都要來的好，這是因為本 論文所提之方法會隨著物體輪廓之封閉性作演算法的切換，在第二部份討論本論 文所提出之傅立葉描述子加入視角內插法後與單純只用傅立葉描述子做比較，證 明當距離越來越遠時，加入視角內插法的效果明顯較好，利用文獻[1]單獨只使 用傅立葉描述子在相似度比對時只挑選最小的不相似度值作為比對結果，當距離 越來越遠時，往往最小的不相似度值有時不是對應於場景的塔台，故產生誤判的 情況，而本論文加入視角內插法做為細部調整(fine tune)的步驟後，會將前幾名

67

不相似度最小的塔台選出，利用視角內插再做一次比對的動作，如此一來可以大 大的增加比對正確率，在第三部份本論文討論當距離足夠近時，由於基於輪廓的 傅立葉描述子[1]會因為距離越來越近時，輪廓的表現越來越不具代表性，而導 致比對率的下降，故本論文在此提出一個基於點雲資料的結構描述子來做比對，

由圖 4-9 可以證明本論文所提出之結構描述子的確是比文獻[1]所提出之基於輪 廓的傅立葉描述子在距離足夠近時的辨識效果來的好，在第四部份表現當拍攝角 度落在標高角 10 度至 30 度時，即是當角度落在這個範圍中，大致上只能看見塔 台的頂部，由於每一個塔台的頂部大多都是呈現圓圓的形狀，故當標高角介於 10 度至 30 度時，辨識正確率會不盡理想，在第五部份討論當隨機選取標高角度 介於 40 度至 80 度時，在介於這樣的角度下，不論物體的輪廓資訊，亦或是物體 的表面點資料，都比較能夠完整的取得，故在標高角度介於 40 度至 80 度時，塔 台的辨識正確率可以大大的提升，第六部份討論每一個塔台都有自己的切換距離，

當距離足夠近時，無法擷取到完整的影像資訊，本論文將採取利用結構描述子來 做辨識，而整合型方法乃是利用結構描述子與傅立葉描述子加上視角內插這兩種 方法的切換來達成，故在虛線以前，這整合型方法與結構描述子的辨識率都會一 樣，當距離正好在切換點上時，經由實驗後發現，利用結構描述子的辨識率比起 利用傅立葉描述子加上視角內插法的辨識率來的低，故當距離足夠遠使得可以擷 取到完整的影像資訊時，本論文將方法切換成傅立葉描述子加上視角內插法來達 成辨識，圖 4-12 之虛線表示 10 個塔台中，最大的塔台需要做方法切換的距離，

由圖中可得知本論文所提出之整合型方法在辨識率上比較於傅立葉描述子或是 結構描述子的方法都顯得要好，而切換的時機點正是塔台之輪廓線無法封閉，第 七部份探討本論文所提出之整合型方法與其他文獻做比較，由 R. Osada 等人[4]

所提出之形狀分佈(shape distribution)則是基於統計兩點間的距離分佈做為特徵 檢所的方法，由於形狀分佈這個特徵乃是利用整體的點雲分佈來做特徵抽取，再 利用直方圖的方式來表示，由於本論文所討論之物體皆非完整的(complete)呈現，

68

所以不管物體是否被完整的擷取，利用形狀分佈這個特徵的辨識率的表現都不盡 理想，由 G. Hetzel 等人[19]所提出利用每點像素的深度資訊，每點法向量利用 球型座標求出的兩個角度及 ，以及利用每點曲率所推得之形狀指標，如此一 來每一點都有這三種資訊，在將這些資訊利用高維度直方圖的方式來做特徵的表 現，其[19]標榜不需將物體進行分割的動作，直接對物體做特徵抽取，由於本論 文在結構描述子下所使用之節點特徵，乃是基於[19]所使用之形狀指標，但是因 為[19]所提出之計算相似度的部分則是利用整體比對的方式來達成，而非一個區 塊一個區塊來比對，而本論文不僅利用一個區塊一個區塊來比對外，且把每一個 區塊與每一個區塊做意義的連接，即是本論文所提出之結構描述子，故本論文在 近距離辨識率的表現上也比[19]來的良好，R. B. Rusu 等人[32]所提出之點特徵直 方圖(point feature histogram)則是利用每點及其法向量組合成更複雜的特徵表示，

從這個直方圖可以得到目前的分佈中含有幾種不同的幾何形狀分佈，而相似的物 體中則會有相似的分佈狀態，這其實與形狀指標想要表達的意義相同，只是形狀 指標則是利用曲率的組合，而點特徵直方圖則是利用點與法向量來組成，只是[19]

與[32]都會與點的分佈狀態有相當程度的依賴，當距離拉遠時，表示著點的分佈 變的越來越稀疏，故其在場景中的特徵表示，將與模型中的特徵表示會有相當程 度的不同，通常這些不同會發生在曲率變化大的地方，舉例來說會發生在面與面 的轉角度，這也將造成辨識上的誤判產生，故點雲的稀疏程度對於基於點雲的幾 何分佈所成之特徵來說是有相當程度的影響，而本論文會根據距離來做辨識演算 法的切換，當距離越來越遠時物體在內部幾何表現上會越來越不具代表性，而本 論文將會演算法切換至利用基於輪廓的傅立葉描述子搭配視角內插法，故在距離 越來越遠時的辨識率的表現較好，而 Zhu. X [31]所提出利用骨架樹(skeleton tree) 作為圖的表示來當成是物體的特徵，節點的匹配則是利用該節點的所對應的子樹 所產生的相鄰矩陣，利用這個相鄰矩陣的特徵值做為量測場景圖與模型圖兩個圖 中節點的相似程度，諸如此類利用抽取骨架的方式來做為表示稱做式奇點圖

69

(shock graph)，此類方法需利用物體輪廓來完成骨架的抽取，不過由於比對的過 程對於骨架的變化是非常依賴的，所以當距離拉遠時物體輪廓還是會有某種程度 上的不同，故在骨架的抽取上也會不同，這也將導致比對的效果不好，且骨架的 應用對於同類型的物體辨識效果並不是很理想，目前骨架這樣的特徵應用在人的 比對上會有比較好的效果，這是因為塔台的形狀都是一根這樣子來呈現，所以抽 取後的骨架也會長的很相似，導致錯誤的比對產生，最後第八部分則是討論不同 視角下的相機姿態。

70