在本論文中，我們提出僅採用前景物體的外接矩形資訊，不使用前景的色 彩、紋理與輪廓，來達到快速追蹤前景物與建立軌跡的目的，進而建構監控影片 的軌跡式索引資訊。而在追蹤過程中，前景物體的外接矩形遭受到外界因素而產 生尺寸改變時，我們也提出尺寸調整的辦法，將發生變化的外接矩形尺寸調整至 適當的大小。此外，對於前景物體交會所形成的外接矩形，除了尺寸的調整外，
我們更進一步預測交會的前景數量，並以尺寸調整的方式將交會的數個前景物體 從中分離出來。當軌跡式索引完成之後，我們提供使用者一個手繪輸入的搜尋介 面，讓使用者可以輸入欲查詢的移動方向與軌跡，透過與軌跡式索引的資訊比 對，將能快速地回傳相似的軌跡片段，讓使用者做進一步的檢視，以節省人工查 看監控影片的時間。
由於我們僅僅使用前景物體的外接矩形資訊，可以降低前景的資訊量與增加 資料轉移的便利性。降低前景的資訊量雖可以加快前景分析的速度，但若在更複 雜的情況，或者是更細膩的搜尋方式之下，光是前景物體的外接矩形資訊，仍會 稍嫌不足的。因此未來的發展中可以考量更多的前景資訊，如色彩和輪廓資訊。
除了可以處理複雜的情況並且增加前景追蹤的準確度外，更可能使索引內容有更 詳盡的資訊，如色彩分佈資訊、行人的四肢與軀幹位置資訊、行人的姿態。而搜 尋介面亦可因應索引的資訊擴充，增加更多元的搜尋方式，如針對特定顏色的穿 著搜尋、特定姿態的行人搜尋等，茲整理如表 7.1。
而對於夜間監控系統而言，其重要性更勝於日間監控，且夜間所拍攝的紅外 線影像，其資訊量往往比日間的彩色影像更匱乏且包含更多的雜訊，因此未來對 於夜間視訊影像的索引建制與搜尋功能設計，是我們需要持續研究的課題。
表 7.1 未來可能擴充的搜尋方式與選項。
搜尋方式 備註
速度 針對特定移動速度的物體搜尋。
尺寸 搜尋特定尺寸大小的前景。
長寬比例 以長寬比例之特性對行人、車輛或貓狗等物體搜尋。
區域搜尋 搜尋是否有物體進入畫面中的某特定區域。
時間範圍 指定搜尋特定時間範圍內的人事物。
停留時間 指定一時間長度，以找出逗留物體。
是否曾發生交會 尋找曾經與其他物體交會的物體。
衣著顏色 搜尋特定衣著顏色的人物。
指定某一搜尋結果之軌跡再次搜尋 以某一搜尋後的軌跡為基準，再次尋找所有與它相似的 軌跡。
參考文獻
[1] L. M. Fuentes and S. A. Velastin, “People Tracking in Surveillance Applica-tions,” Image and Vision Computing, vol. 24, pp. 1165-1171, November 2006.
[2] P. L. Mazzeo, P. Spagnolo, M. Leo, and T. D'Orazio, “Visual Players Detection and Tracking in Soccer Matches,” IEEE Fifth International Conference on Ad-vanced Video and Signal Based Surveillance, pp. 326-333, September 2008.
[3] B. Wu and R. Nevatia, “Tracking of Multiple, Partially Occluded Humans based on Static Body Part Detection,” IEEE Computer Society Conference on Com-puter Vision and Pattern Recognition, vol. 1, pp. 951-958, June 2006.
[4] A. Adam, E. Rivlin, and I. Shimshoni, “Robust Fragments-based Tracking Using the Integral Histogram,” IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 1, pp. 798-805, 2006.
[5] H. Lim, O. I. Camps, M. Sznaier, and V. I. Morariu, “Dynamic Appearance Modeling for Human Tracking,” IEEE Computer Society Conference on Com-puter Vision and Pattern Recognition, vol. 1, pp. 751-757, 2006.
[6] D. Ramanan, D. A. Forsyth, and A. Zisserman, “Tracking People by Learning Their Appearance,” IEEE Transactions on Pattern Analysis and Machine Intelli-gence, vol. 29, pp. 65-81, January 2007.
[7] D. Makris and T. Ellis, “Path Detection in Video Surveillance,” Image and Vision Computing Journal, vol. 20, pp. 895-903, 2002.
[8] I. Junejo, O. Javed, and M. Shah, “Multi Feature Path Modeling for Video Sur-veillance,” Proceedings of International Conference on Pattern Recognition, vol.
2, pp. 716-719, 2004.
[9] Z. Fu, W. Hu, and T. Tan, “Similarity Based Vehicle Trajectory Clustering and
Anomaly Detection,” Proceedings of IEEE International Conference in Image Processing, vol. 2, pp. 602-605, 2005.
[10] J. Black, T. Ellis, and D. Makris, “A Hierarchical Database for Visual Surveil-lance Applications,” Proceedings of IEEE International Conference on Multime-dia and Expo, pp. 1571-1574, 2004.
[11] Y. Zhou, S. Yan, and T. S. Huang, “Detecting Anomaly in Videos from Trajec-tory Similarity Analysis,” IEEE International Conference on Multimedia and Expo, pp. 1087-1090, July 2007.
[12] F. I. Bashir, A. A. Khokhar, and D. Schonfeld, “Real-time Motion Trajec-tory-based Indexing and Retrieval of Video Sequences,” IEEE Transactions on Multimedia, pp. 58-65, January 2007.
[13] C. W. Wu, “Constructing a Trajectory-based Indexing System for a Database of Surveillance Images”, Master’s Thesis, Dept. Computer Science and Engineering, National Chiao Tung University, June 2008.
附錄 A 監控影像資料庫介紹
本附錄將介紹本實驗室與蒙恬公司所合作開發的監控影像資料庫系統，我們 將依序介紹開發中所使用的硬體設備、系統架構與軟體操作，最後說明資料庫制 定之規則。
硬體設備
在本資料庫系統中，我們所使用的硬體設備由攝影機、3 公尺高腳架、類比 轉數位視訊轉接器、PC 等四部份所組成（圖 A-1）。系統運作是攝影機所拍攝到 的類比訊號，經由視訊轉接器轉換成數位視訊資料，再傳至 PC 上觀看與儲存。其 中攝影機包含了拍攝一般行人的彩色攝影機（圖 A-2 (a)）、針對快速車輛具電子 快門攝影機（圖 A-2 (b)）與用於拍攝夜間場景的近紅外線攝影機（圖 A-3(a)、
(b)）。而本系統工作環境是以校園室內、室外場景為主，並使用高度腳架模擬真實 監控攝影機所拍攝的角度。
圖 A-1 硬體設備。
(a) (b)
圖 A-2 彩色攝影機：(a) CCD Camera (不具電子快門)，(b) CCTV Camera（具電子快門可拍快速 移動物體）。
(a) (b)
圖 A-3 紅外線攝影機：(a) IR Camera KMS-63A3-61T（彩色顯示），(b) IR Camera （灰階顯示）。
軟體架構與操作介面
本資料庫系統是以 Office Acces2003 軟體作為開發環境，以方便資料庫系統擴 充。圖 A-4 為監控影像資料庫系統架構，其功能包含了僅能進行資料查詢的使用 者權限，與可增刪影片索引與視訊特徵的管理者權限兩部分。
圖 A-4 監控影像資料庫系統架構。
Operation（User）
Database of Surveillance Images
Video Manage
（Administrator）
Feature Manage
（Administrator）
Environment Setup
（User、 Administrator）
Search Video
Add File
Modify File Replay
Video
Delete File
圖 A-6 依視訊內容的關鍵特徵篩選影片的搜尋功能。
圖 A-7 搜尋“室外-大樓門口＂條件所篩選出的影片一覽表。
而具管理者權限的操作介面，還會比使用者多出對影片的索引與視訊的特徵 進行新增、修改、刪除功能（圖 A-8、圖 A-9），以便對資料庫系統來進行管理與 維護。
圖 A-8 管理者之操作介面（一）- 對影片的索引進行新增、修改、刪除功能。
圖 A-9 管理者之操作介面（二）- 對視訊的特徵進行新增、修改、刪除功能。
資料庫內容
本資料庫系統是以監控為目的來建構各場景影像資料，為了達到此一要求，
目前是以“門口＂為目標來進行拍攝與蒐集資料，接下來將介紹資料庫系統如何 分類管理所建構的影片。以下說明如何對影片名稱進行編碼與影片的視訊特徵內 容的制定，以利快速搜尋所需的影像。
影片名稱編碼規則
為了有效管理檔案讓資料庫更容易搜尋，我們對影片名稱提出了一套規則來 管理。圖 A-10 為影片名稱編碼，其編碼共分為五類，以下對這些分類來詳細說 明。分類 1 代表攝影機類型，“C＂表示彩色影像，“I＂表示紅外線影像。分類 2 代表場景，取場景英文前三字母縮寫，如“Elv＂表示電梯門口場景，而 “Bui＂
則表示大樓門口場景。分類 3 代表相同場景但不同地點的區別，如“0＂表示在 A 大樓門口所拍攝影片，而“1＂表示在 B 大樓門口所拍攝影片，其餘依此類推。
分類 4 代表相同場景且同一地點但不同視角的區別，如“A＂表示近視角，而
“B＂表示中視角。分類 5 代表影片數量編號，相同場景且同一地點、視角的影 片數量最多可到 999。
CElv0B001
2. 場景：｛Elv, Bui, Lib…｝
3. 地點：｛0～9｝
4. 視角：｛A～Z｝
1. 攝影機類型：｛C, I｝
視訊特徵
視訊特徵是在影像連續播放過程中，將重要表徵、容易識別的景物或特殊狀 況下用人工方式擷取出來，以作為資料庫系統分類、搜尋的依據。本資料庫系統 對視訊特徵也具有擴充功能，未來針對不同的目標物、攝影機或新場景，都可以 繼續擴增特徵來描述。以下是目前資料庫系統已建立的視訊特徵項目：
(1) 攝影機型態（Camera）：彩色（720×480）、紅外線（320×240）。
(2) 目標物（Object）：行人、車輛、人車混合。
(5) 影片長度（Time）：短（< 1Min）、中（1Min～5Min）、長（10Min～30Min）。
(6) Max 目標物數量（Max Amount）：單獨（1）、少量（2～3）、中量（4～6）、
大量（＞6）。
(7) Min 目標物數量（Min Amount）：單獨（1）、少量（2～3）、中量（4～6）、大 量（＞6）。
(8) 起始影片畫面是否有目標物存在（Initialization）：無、有（畫面開始有目標 物出現）。
(9) 光源變化（Light）：無、快速變化、漸進變化、昏暗。其中“快速變化＂是 指畫面中有出現瞬間閃光的狀況，“漸進變化＂是由白天到傍晚或傍晚到晚 上，光源緩慢變化狀況，而“昏暗＂是指在室內未開燈或夜晚時採光不足狀 況。
(11) 其他干擾（Noisy）：無、有（地板牆壁反光、玻璃反光、水面反光）。 (12) 行為模式（Behavior）：正常行進、異常行進、撿放遺留物。
附錄 B 流水編號與系統時間之關係
161664671 161664781 161664890 161664984 161665078 161665187 161665281 161665390 161665484 161665593 161665687 161665781 161665890 161666062 161666156 161666250 161666359 161666453 161666546 161666656 161666750 161666859 161666953 161667046 161667156 161667250 161667359 161667453 161667562 161667656 161667750 161667859 161667953 161668062 161668156 161668250 161668359 161668453 161668562 161668656 161668750 161668859 161668953 161669062 161669156 161669250 161669656 161669859 161670062
NA
161670265 161670453 161670562 161670656 161670765 161670859 161670953 161671062 161671156 161671265 161671359 161671453 161671562 161671656 161671765 161671859 161671953 161672062 161672156 161672265 161672421 161672562 161672656 161672765 161672859 161672968 161673062 161673156 161673265 161673359 161673468 161673562 161673656 161673765 161673859 161673968 161674062 161674171 161674265 161674390 161674500 161674593 161674703 161674796 161674937 161675031 161675125 161675234 161675468
109