背景差與前景差混合偵測法

結合背景影像相減法與時序影像差值計算法[10,49]，便可以有效偵測出當前 影像是否存在一張符合條件的發票。在這裡目標物分為背景(“X”符號與土黃色靜 態平面)和發票本身兩種，目標物是發票的條件為數字碼在視窗中心區域且是非 模糊的圖片；其他區域則為圖片的背景。圖3-9 為本論文所提出的針對此兩種目 標物，它們如何被偵測出來的流程圖。

背景差>T

前景差<T 計算前景差

Return 發票圖像 開始

結束 Return 背景圖像

Return 錯誤發票訊息

錯誤檢查無誤 no

no

no Yes

Yes

Yes

自動偵測操作範圍為中央區域 背景差=相異個數(當前擷圖，背景) 前景差=相異個數(當前擷圖，前一張圖片) T ：背景差最小相異點個數

T ：前景差最大相異點個數

圖3-9 所提出的前景差與背景差混合式移動目標物偵測流程圖

由於發票的四周容易發生扭曲變形的情況，我們選取320*240 視窗的長寬各 為一半的中央區域，稱為中央偵測區(Central Detecting Region)，如圖 3-10 所示

。將中央偵測區的背景邊緣和當前影像邊緣帶入背景影像相減法，計算相異點 mask k-1 (x,y)=1 的像素個數。接著設定最小背景差相異點個數為 Tb，如果個數小 於或等於Tb，表示相異點數不夠多，判斷為背景並回傳之(return 背景圖像)。

圖 3-10 本文所訂定的中央偵測區圖解

如果相異點數大於 Tb，則表示有物件進入中央偵測區域。差異點數越多，

代表純背景的圖片與目前這張圖片兩者的差異性越大，亦即可能為發票的機會也 越大。由於我們只需要擷取靜止的發票供後續演算法運算使用，所以接著我們可 以使用時序影像差值計算法，來過濾掉移動中的發票。如果前一張圖像與目前這 張圖像相同，表示此時的發票是靜止的，可以用來對獎；如果為還在移動中的發 票，則回傳錯誤發票訊息，重新擷圖，直到獲得發票為明顯靜止的圖像。

圖3-9 的流程圖中，”錯誤檢查”子模組的作用是針對發票是否超出邊界，或 是太靠近邊緣的情況進行檢查。亦即，先將發票進入取像視窗的方向分成四種單 一方向：上、下、左、右；與四種對角方向：左上、左下、右上、右下，共八種 類型。發票進入取像視窗後，繼續往前移動時不能超過進入方向的視窗對邊。例 如由上方進入的發票，不能碰到視窗下方的邊緣；又例如由左上進入的發票，不 能碰到視窗右邊或是下邊的邊緣。視窗的各方向邊界像素與發票是否已發生交接 的判斷公式如式 (3.6)所示。

( )f i >avg I( _boder) 20+ (3.6) 利用發票的底色為白色，其灰階強度值較高(趨近於 255)的特性，邊框上個

別像素強度值若大於邊框像素群的強度值的平均值加 20，則視為發票與邊框交 接的像素。如圖3-11 所示，左上角邊框像素群的寬度只有一個 pixel。又如公式 (3.5)所示，其中 f(i)為視窗邊緣某像素的強度值，avg( Iboder )為邊緣像素群裡所有 像素的灰階強度值的平均值，加20 是為了避免環境光線造成影響的誤差容忍度

。

圖3-11 紅色部份為左上角邊框像素群，寬度只有一個 pixel

類似這種將前述兩個小節的技術結合起來的偵測法，文獻中顯示已被使用在 人物追蹤方面[49]以及資料壓縮問題上[10]，但用在統一發票自動對獎上，作者 尚未在其他文獻中看到過。最接近的統一發票自動對獎研究[21]，其所用的移動 發票自動目標物偵測方法，僅是利用背景影像相減法圈選出發票物件，與本研究 所提出的方法相比，缺少了時序影像差值計算法的補強，無法達到過濾無效發票 的功能。而本論文提出專門為發票辨識所設計的前景差與背景差混合偵測法，將 偵測區的搜尋範圍限定在圖像的中心區域，可以有效的減少約3/4 的運算量，並 加上上述”錯誤檢查”子模組的功能，排除了無效運算的可能性，大大的提升系統 的效率與穩定度。