第三章 物體粹取與物件追蹤
3.4 車輛追蹤
)*C_B
(n-C_Bupdate (C_Cf
+
update∈
= 1 ,
(3.23)
其中n 為一定值，當n 越大的時候，則原始收斂背景越不受 CF 背景的影響，這樣 就失去更新的目的；相對地，若是CF 佔了太大的權重，則將會因為前面的處裡小小的 漏失，造成背景的更新錯誤，反而使的系統變的不夠強健。因此，適當的更新能讓我們 的系統夠強健，也能夠順應環境的變化。
3.4 車輛追蹤
前面的處裡大都是針對單一時間上，屬於空間方面的處裡，在這裡，我們車輛追蹤 的方法，將是利用時間軸與空間，來找出在不同時間上，屬於相同的移動物件，也就是 所謂的車輛追蹤。
本實驗針對於追蹤，主要利用兩個資訊來判斷，就是距離與角度。在第一次追蹤時，
我們先判斷前後影像間，找到兩個質心距離最近的物件，加以追蹤，並記錄此兩個質心 連線的角度，在後序的追蹤上，再以這兩個為主要判斷式，我們還會以大小來輔助判斷。
26
而在追蹤過程之中，我們最常遇到的問題，便是追蹤車輛在畫面上表現出的合併(merge) 與分離(split)的現象。如果移動物體是在初始狀況下就是單獨個體，只是後來在行進中 出現兩個物體合併時，我們可以藉由前面的資訊來將兩者區隔開來，就一般交通監控的 畫面而言，屬於相對座標比較靠下方的，在畫面中都會是遮蓋後面物體的部份，因此我 們在判斷出有兩個物件合併的時候，便利用此法來將兩者分離；若是在切割物件時造成 物件的分裂，也是可以參考前面追蹤資訊來解決。
3.5 錯誤背景的補償
一般來說，畫面中的背景部份，就是我們判定並沒有因為移動而造成大變化的部 份，然而，如果現在畫面中停留一台車輛，在背景訓練時，會很自然的被我們當成是背 景部份，但是如果後來車輛移動或是離開了畫面，則我們將會把有大變化的部份，當成 是”移動物體”，又藉由我們背景更新的方式，是針對新進影像在相對於背景上沒相似的 背景像素，去進行更新的動作，如此一來，那本來屬於畫面中的車輛，在離開後，其所 對應的位置，將會一直被我們判斷成移動物體，這樣將會影響到我們擷取參數的結果，
因此我們必須要有錯誤背景補償的機制。
要找出錯誤的背景，我們可以從前面方法所得到物件追蹤的參數來著手，在此，我 們對於由錯誤的背景所切割出來的移動物件，先設定了幾個條件判斷：
一、移動物體的重心是否連續幾張都沒有大幅度的變動，因為如果是錯誤的背景所 切割出來的移動物體，將會一直停留在畫面中。
二、移動物體的起始追蹤點，是否不在畫面的邊緣處，因為對於交通監控的移動車 輛，應該是從從邊緣進入畫面，行進，然後消失在畫面邊緣。
27
三、移動物體是否不具有邊緣特型，是指切割出的移動物體的邊緣處與CF 之間，
會有邊緣特性，相對於基於錯誤背景的移動物體，對應在CF 的相對位置上的邊緣，應 該就不會有明顯的邊緣特性。
背景圖像的補償是對於追蹤到的移動物件參數，看是否滿足上面三個條件，是的話 表示我們的背景圖像中，有非正確的背景區塊，就是滿足條件的錯誤移動物件，我們便 對在背景圖像中，於此物件在背景圖上的位置，以CF 相對位置的像素來取代，完成更 新的動作。
28
第四章 實驗結果
本實驗主要在市區與高速公路各拍攝了幾段影像，利用我們所開發的系統架構，來 測試實驗結果。我們實驗的硬體配備為Athlon 1700+與512MB RAM。
4.1 機率選取
我們在訓練背景的時候，是藉由統計的模式以及機率值的選取，來界定一個像素是 否已收斂為背景。在屬於背景像素的候選人部份，我們是選擇其最大類別中所聚類的個 數，佔所有已處理張數的比率，再與TH2相比較來判定是否該將此像素收斂。我們先設 定一個機率選取模式如表4.1來做實驗。對部分的背景像素來說，其機率值的確很高，因 此我們會先統計前三十張的影像資料，自第三十一張開始，我們便設定TH2為較高的值 (80)，來幫助我們先收斂正確性高的背景像素候選人。經第一次的收斂後，我們便隨著 每張影像來逐步減少TH2的值(-0.01 / 圖像)，為的是幫助收斂那些可能在訓練時有移動 物體經過，而造成最大類別有屬於背景的特性，卻沒有高機率值的像素。自第四十六張 開始，由於大部分背景像素已收斂，於是我們更加速了TH2下降的速度(-0.02 / 圖像)，
直到TH2降到零，也就是強迫收斂剩下的那些低機率值的被背景像素候選人，雖然這樣 我們很可能在獲得的收斂背景中，有一些非背景特性的像素，但是這些並不影響我們後 續的處裡，這樣讓我們在得到不錯收斂背景的情況下，達到快速收斂的目的。為了試驗 我們所提出來的收斂模式，我們針對了二十幾段的影像來套用此模式，並計算每段影像 中，每個最大機率值所獲得的點數，並找出擁有最多點數的機率值，舉例來說，在第四 張影像的時候，每個像素的最大類別會有100%、75%、50%與25%四種機率值，假設整 張影像中有最多的像素，其最大類別的機率值為75%，那麼我們便記錄75%這個值，並 繼續下一張影像，從第三十一張開始，便套用我們的選取模式，再繼續統計，如此作完 一串影像後我們可以得到一曲線，圖4.1便是我們做了二十幾段影像後，去掉相似的曲
29
30
圖4.1 機率選取模式的實驗曲線
0 20 40 60 80 100 120
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75
28 29 30 31 32 33 35 38 40 41 42 44 46 47 52 TH2 TH2
a b
c
%
31
4.2 背景圖的擷取
1st影像 16th影像
31st影像 46th影像
31st影像時之收斂背景 46th影像時之收斂背景
上圖黑色部分表示尚未收歛的背景
地點：新竹往竹北路段 時間：13:00~15:00 收 斂 時 間 ：1424ms 收斂張數：65th
圖4.2 國道一號正面影像與收斂背景
32
1st影像 16th影像
31st影像 46th影像
31st影像時之收斂背景 46th影像時之收斂背景
上圖黑色部分表示尚未收歛的背景
地點：新竹往竹北路段 時間：13:00~15:00 收 斂 時 間 ：1157ms 收斂張數：63th
圖4.3 國道一號側面影像與收斂背景
33
1st影像 16th影像
31st影像 46th影像
31st影像時之收斂背景 46th影像時之收斂背景
上圖黑色部分表示尚未收歛的背景
地點：新竹市區 時間：15:00~17:00 收 斂 時 間 ：2567ms 收斂張數：65th
圖4.4 光復路與學府路交叉路口，來向車道
34
1st影像 16th影像
31st影像 46th影像
31st影像時之收斂背景 46th影像時之收斂背景
上圖黑色部分表示尚未收歛的背景
地點：新竹市區 時間：15:00~17:00 收 斂 時 間 ：1861ms 收斂張數：65th
圖4.5 新竹市光復路與學府路口，十字路口
35
4.3 物件切割
獲得背景圖之後，我們可以藉由選擇適當的FB_th來找出CF中，屬於移動物體的部 份，經過實驗，一般我們可以設定FG_th範圍在於60~75之間，便能讓我們獲得所要的移 動物體，如圖4.6所示，為FB_th取75的結果，圖中紅色框框表示我們判斷成移動物體的 物件
圖4.6 一般情形下，用固定的門檻值來切割物件
但是，如(3.2.1)所提到的，當有移動物體其具有大區域純白的顏色時，CCD本身便 會判定是光線過亮，而透過AES來將畫面調暗，由於CCD的這個特性，固定的FB-th，將 無法正確的將移動物體給切割出來，相對的，很可能將整張影像都判定成移動物體，如 圖4.7所示
圖4.7 AES光線調整後，仍用用固定的門檻值來切割物件 物件切割
物件切割
36
由圖中我們可以看到，整當固定的FB_th遇到AES影像的話，會把整張畫面都當成 是移動物件而切割出來，這會影響到我們後續進行的流程，因此，我們在下面小節中做 了解決方法的實驗。
4.4 處裡AES造成的影像亮度自動改變問題
這裡我們先後用我們所提出了兩種方法，來驗證可以解決當畫面因為 AES 補償造 成的光線變化問題。
4.4.1
統計圖取平移
這裡我們取的統計是針對Bint 與 CF 之間，像素色彩資訊差值的絕對值，我們所用 的平滑濾波器為九階，圖4.8 是針對圖 4.6 的影像來做 CF 與 Bint 間的色彩資訊絕對差 值的統計圖，其中，橫軸部份表示絕對差值，縱軸部分則是影像中符合該絕對差值的總 圖像數，我們可以清楚看到，在正常狀況下，色彩資訊所得到的統計圖，其峰值距離原 點不會有太大的差距，也就是說，大部分的像素，其絕對差值是很小的
圖4.8 一般情況下的的色彩資訊絕對差值統計圖
-500 500 1500 2500 3500 4500 5500
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136 141 146 151 156 161 166 171 176 181 186 191 196 201 206 211 216 221 226 231 236 241 246 251 256
數列1 數列2 數列3
37
當移動物體有屬於較大的白色區域，則CCD 的 AES 功能便會啟動，判定光線過亮 而將畫面整個調暗，如圖4.8 所示，而圖 4.10 是針對圖 4.7 中，經 AES 亮度調整後影像 的統計圖
圖4.9 經 AES 調整後畫面的統計圖
我們便針對上面的統計圖，找出 RGB 個別的峰值 Max_Rc(36)、Max_Gc(41)與 Max_Bc(50)，因為判斷三者相加大過我們所設定的門檻值(50)，所以我們便將整張影像 的RGB 值，用 Max_Rc、Max_Gc 與 Max_Bc 來作平移的動作，如果影像是變暗，那麼 我們便將色彩資訊正向平移，反之則負性平移，如此所得到的新影像與重新切割的移動 物體如圖4.10 所示
-500 500 1500 2500 3500 4500 5500
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101106111116 121126131136141146151156161166171176181186191196201206211216221226231236241246251256
數列1 數列2 Max_Rc 數列3
Max_Gc Max_Bc
38
圖4.10 影像平移後與切割效果
4.4.2
適應性門檻值
在此實驗不同於圖4.5 的統計，我們是擴大差值範圍為[-255,255]來統計，如圖 4.11 所示，我們要會針對在波峰附近的值來尋找，在經過三次微分之後，判斷所得到的值是 否大於設定的門檻值(20)，且必須要連續四點同時滿足，來確定說找到的該點是位於高 峰兩側趨向平滑的點。
物件 切割 物件
切割
Shift R,G,B
Error
Object Correct
Object
39
圖4.11 CF 與 Bint 的差值統計圖，其中 68_04353 為該影像的標號
上面得到的數據，便是讓我們來界定說，針對像素而言，CF 與 Bint 的差值應該大 於等於多少才算是移動物體點，否則則是背景點，就意義上而言，就是我們之前所訂的
上面得到的數據，便是讓我們來界定說，針對像素而言，CF 與 Bint 的差值應該大 於等於多少才算是移動物體點，否則則是背景點，就意義上而言，就是我們之前所訂的