5.1 結論
本論文提出了一個有效的背景切割改良技術, 現有的方法主要是使用背景模型做背景切割, 一個好的 背景模型可以描述多個背景色彩, 允許背景物體少量的來回移動, 容許背景物體一定程度的明暗變 化,codebook model 即為其中之一。 然而現有的背景模型技術只能描述 pixel-wise 的背景色彩資 訊, 對陰影與亮光中的背景辨識能力仍然有限。 在前景物體較多、 陰影與亮光頻繁出現的攝影地點, 背景模型的切割結果仍有改良的空間。 此外在畫面擷取時間間隔較長、 相鄰畫面無連續性的情況下, 背景模型難以透過背景調適改善背景切割的結果。 我們提出的背景修正演算法可以正確地辨識陰影 與亮光處的背景, 不需透過背景調適也能在突發的背景明暗變化中得到良好的背景切割結果。
事實上, 我們提出的背景切割技術底層使用的背景模型並不限定只能用 codebook model, 背景 修正演算法可以和現有的各種背景模型搭配使用, 整合的方法分為兩個步驟:
1. 建構參考畫面
有些背景模型本身即為一張參考畫面, 如[4, 5, 6]的方法, 在[8]使用卡曼濾波器的預測結果可 視為一張參考畫面, 此時可略過本步驟。 如果使用的模型是 UniGaussian model[7], 可以用 Gaussian 的平均值(mean) 做為參考畫面。
若是使用的背景模型類別屬於多色背景模型, 建構參考畫面又細分為兩個子步驟:
(a) 針對每個像素座標 (i, j) 建構中心點集合 (Sij), 這裡的中心點是用來代表一個色彩分
佈的點。1 若是使用高斯混合模型[1], 每個高斯成員的平均值可以組成一個中心點集合。
在無參數模型中, 可以藉由 mean shift-based mode detection[11]找出眾數(mode), 用這些眾數組成中心點集合。
ǫ is a threshold.
有了新的標記 C 與原來的測試畫面 x , 便可以套用背景修正演算法改良原來的背景切割結 免與 codebook model[9] 中使用的 codeword 和 codebook 名詞混淆, 所以這裡暫稱中心點與中心點集合。
果在前景部分出現嚴重錯誤時, 修正演算法可能會使錯誤更嚴重, 因為有大量前景像素被誤判為背景 時, 附近的前景像素可能會被演算法視為陰影或亮光中的背景, 導致錯誤的範圍擴大, 我們在圖 5.1 中以實例說明前景錯誤的問題。
(a) (b)
(c) (d) (e)
圖 5.1: (a)Camera 2 其中一張測試畫面; (b)Camera 2 只有背景時的樣本畫面; (c) 未使用修正演算法, bf = 2 的背景切割結果: 黑色代表背景, 灰色代表前景且 Cij = “FL”, 白色代表前景且 Cij = “FC”; (d) 使用修正演算法, bf = 2 的背景切割結果; (e) 修正演算法切割結果的前景錯誤 (FN), 非藍色的部分為發生 前景錯誤的像素。 可發現畫面左下的人穿的衣服、 畫面右下的人手上拿的白色物體與背景色彩非常接近, 亮度 也與 (b) 中的背景相差不遠, 這些像素大部分在 (c) 中已經被切割為背景, 剩下的少部分對於修正演算法來 說, 與陰影或亮光中的背景並無差別, 所以也被誤改為背景。
上述問題的根本原因在於有些前景物體的色彩與背景過於接近, 單靠色彩資訊不足以正確地切割 這些前景。 尋找可以有效切割這類前景的特徵 (feature), 是未來值得努力的研究方向。