色彩模型選用

於色彩模型辨識階段嘗詴了使用 RGB、正規化 RGB、YC

b

C

r

以及 HSV 等色 彩空間建立色彩模型，我們計算一個近似於統計學中 Z 分數 (Z-values) 的評量 參數，用以判斷各個色彩空間對於不同人物的色彩模型能夠被區分的程度，其假 設各個色彩模型分佈為常態分佈，選取兩個欲判斷之色彩模型，以標準差較大的 模型作為基準，判斷標準差較小之模型平均數距離標準差較大之模型的標準差 數，再參考模型的平均以及標準差，方能判斷各個色彩空間是否適合於進行色彩 模型辨識。考慮 i、j 兩個色彩模型，



與 分別為平均值與標準差，計算公式定 義為

) , max(

_j

,  





i j i j

z i 



(4.4)

圖 4.17. 人物之外切矩形偵測，(a)畫面影像，(b)前景分佈，(c)前 景分佈投影至 X 軸，(d)前景分佈投影至 Y 軸，(e)擷取出 人物之外切矩形。

(a) (b)

(c) (d)

(e)

44

表 4.2. 身體區域之偵測結果

No. 前景分佈 影像畫面

1

2

3

4

5

6

7

使用 RGB 色彩空間進行分析，如表 4.3 所示，各個空間皆與亮度有相當大

mean:215.9536, std:18.5115, maximum point: 456 at R = 207

0 50 100 150 200 250

mean:224.1761, std:18.175, maximum point: 893 at G = 255

0 50 100 150 200 250

mean:221.469, std:19.9224, maximum point: 815 at B = 255

μ: 215, σ: 18.51 μ: 224, σ: 18.18 μ: 221, σ: 19.92

mean:64.6559, std:28.0373, maximum point: 236 at R = 55

0 50 100 150 200 250

mean:58.9064, std:27.1811, maximum point: 251 at G = 51

0 50 100 150 200 250

0 50 100 150

mean:79.73, std:26.432, maximum point: 187 at B = 73

μ: 64, σ: 28.03 μ: 58, σ: 27.18 μ: 79, σ: 26.43

mean:213.5654, std:22.23, maximum point: 470 at R = 224

0 50 100 150 200 250

0 200 400 600

mean:94.2515, std:13.6749, maximum point: 606 at G = 96

0 50 100 150 200 250

0 200 400 600

mean:91.4477, std:13.7998, maximum point: 606 at B = 92

μ: 213, σ: 22.23 μ: 94, σ: 13.67 μ: 91, σ: 13.8

mean:65.0872, std:11.8892, maximum point: 359 at R = 67

0 50 100 150 200 250

mean:50.7167, std:9.8556, maximum point: 479 at G = 52

0 50 100 150 200 250

mean:46.939, std:9.267, maximum point: 545 at B = 48

μ: 65, σ: 11.89 μ: 50, σ: 9.86 μ: 46, σ: 9.27

mean:210.9875, std:13.1886, maximum point: 583 at R = 216

0 50 100 150 200 250

mean:227.9987, std:14.1197, maximum point: 557 at G = 233

0 50 100 150 200 250

0 2000 4000 6000

mean:249.0446, std:11.7126, maximum point: 7700 at B = 255

μ: 210, σ: 13.19 μ: 227, σ: 14.12 μ: 249, σ: 11.71

46

mean:83.2427, std:1.3917, maximum point: 6542 at r = 83

0 50 100 150 200 250

0 2000 4000 6000

mean:86.447, std:1.7956, maximum point: 6258 at g = 86

0 50 100 150 200 250

mean:85.3151, std:1.7041, maximum point: 4910 at b = 86

μ: 83, σ: 1.39 μ: 86, σ: 1.8 μ: 85, σ: 1.7

mean:80.7492, std:6.2809, maximum point: 837 at r = 80

0 50 100 150 200 250

mean:72.8227, std:5.0353, maximum point: 974 at g = 72

0 50 100 150 200 250

mean:101.4413, std:8.1361, maximum point: 565 at b = 103

μ: 80, σ: 6.28 μ: 72, σ: 5.04 μ: 101, σ: 8.14

mean:136.7283, std:8.1959, maximum point: 1583 at r = 138

0 50 100 150 200 250

mean:60.0461, std:4.112, maximum point: 2418 at g = 60

0 50 100 150 200 250

0 500 1000 1500

mean:58.253, std:4.9859, maximum point: 1941 at b = 57

μ: 136, σ: 8.2 μ: 60, σ: 4.11 μ: 58, σ: 4.99

mean:102.379, std:8.6862, maximum point: 1075 at r = 103

0 50 100 150 200 250

0 500 1000 1500

mean:79.1523, std:4.3231, maximum point: 1504 at g = 80

0 50 100 150 200 250

mean:73.4309, std:6.6632, maximum point: 999 at b = 74

μ: 102, σ: 8.68 μ: 79, σ: 4.32 μ: 73, σ: 6.66

mean:78.1599, std:1.4041, maximum point: 4412 at r = 78

0 50 100 150 200 250

mean:84.4635, std:1.0521, maximum point: 4709 at g = 85

0 50 100 150 200 250

mean:92.353, std:1.872, maximum point: 2928 at b = 93

μ: 78, σ: 1.4 μ: 84, σ: 1.05 μ: 92, σ: 1.87

的第 1、5 類及深色系的第 2、4 類，由直方圖上觀察可得，各個模型的分佈並沒 有如同 RGB 般淺色系偏右深色系偏左的現象，確實減低了其分佈與亮度之間的 影響，且各個分佈的變異數也比於 RGB 的分佈較為小，其分佈明顯較為窄。我 們藉由計算 z 值比較深色系的兩類以及淺色系的兩類是否容易區分，如表 4.5 所 示，深色系與淺色系皆在 r、g 空間有較好的區分效果。

表 4.5. 比較淺色系與深色系可區分的程度於 rgb 模型

r g b

5 ,

z 1

(淺色系) 3.57 1.11 3.74

4 ,

z 2

(深色系) 2.53 1.39 3.44

我們再以 YC

b

C

r

空間進行分析，如表 4.6 所示，其轉換方式如 3.1.2 節所介 紹。YC

_b

C

_r

將亮度與彩度進行分離，從亮度觀察，可以明顯區分出深色系與淺色 系的差異，淺色系的 1、5 類 Y 值平均偏大，深色系的 2、4 類 Y 值平均偏小，

而這可能造成同為淺色系或深色系的模型難以區分，我們再計算深色系與淺色系 之 z 值，如表 4.7 所示。同為深色系與淺色系的色彩模型在亮度上確實難以區分，

但在 C

_b

、C

_r

上仍有一定的區分效果，在這些詴驗的樣本中又以 C

_b

的可區分程度 為佳。

雖然同為深色系或淺色系的模型無法透過 Y 進行區分，但其可有效的區分 深色系與淺色系的模型，表 4.8

4.9 比較相異亮度的色系間能區分的程度，比起

rgb 模型，YC

_b

C

_r

藉由 Y 使得相異亮度的色彩模型能明顯區分，其 z 值至少也有 5.85，而在 C

r

上 z 值至少也有 2.96 的水準。考慮 rgb 三個通道來看，最佳之 z 值 出現在

z ₅ ^b _{, 4}

，其值為 2.85，且 z 值全部皆小於 3，因此 rgb 模型在分辨相異亮度 間的色彩模型之效能仍不及 YC

_b

C

_r

。經由上述討論，其反應出 YC

_b

C

_r

比 rgb 模型

48

mean:206.0139, std:15.7603, maximum point: 595 at Y = 199

0 50 100 150 200 250

0 1000 2000 3000

mean:128.0397, std:2.0251, maximum point: 3749 at C_b = 128

0 50 100 150 200 250

mean:124.5727, std:1.6948, maximum point: 4854 at C_r = 124

μ: 206, σ: 15.76 μ: 128 σ: 2.02 μ: 124 σ: 1.69

mean:69.9592, std:23.4075, maximum point: 268 at Y = 63

0 50 100 150 200 250

mean:136.3029, std:3.499, maximum point: 992 at C_b = 137

0 50 100 150 200 250

mean:129.0432, std:1.6216, maximum point: 2352 at C r = 129

mean:127.4635, std:12.3624, maximum point: 687 at Y = 131

0 50 100 150 200 250

mean:109.0592, std:3.7389, maximum point: 2115 at C_b = 108

0 50 100 150 200 250

mean:180.6566, std:8.048, maximum point: 2073 at C_r = 184

μ: 127, σ: 12.36 μ: 109, σ: 3.74 μ: 180, σ: 8.05

mean:62.717, std:8.7425, maximum point: 557 at Y = 64

0 50 100 150 200 250

mean:124.1965, std:2.1278, maximum point: 2077 at C_b = 124

0 50 100 150 200 250

0 500 1000 1500

mean:134.592, std:1.9344, maximum point: 1848 at C r = 134

mean:209.4285, std:11.4579, maximum point: 761 at Y = 216

0 50 100 150 200 250

0 500 1000 1500

mean:139.784, std:2.8514, maximum point: 1876 at C_b = 140

0 50 100 150 200 250

mean:119.0016, std:1.8785, maximum point: 2960 at C_r = 119

μ: 209, σ: 11.46 μ: 139, σ: 2.85 μ: 119, σ: 1.88

表 4.8. 比較淺色系與深色系間可區分的程度於 rgb 模型

r g b

2 ,

z 1

0.48 2.78 1.97

4 ,

z 1

2.19 1.62 1.8

2 ,

z 5

0.32 2.38 1.11

4 ,

z 5

2.77 1.16 2.85

表 4.9. 比較淺色系與深色系間可區分的程度於 YC

b

C

r

空間

Y C

_b

C

_r

2 ,

z 1

5.85 2.28 2.96

4 ,

z 1

9.13 1.87 5.18

2 ,

z 5

5.98 0.86 5.32

4 ,

z 5

12.83 5.26 7.77

HSV 色彩空間在處理上將會遇到一些問題，當亮度 (Value) 過低時色度 (Hue) 將失去意義；當飽和度 (Saturation) 過低時，色度將不穩定。為了避免上 述的問題我們在建立 HSV 色彩模型時加入了門檻值。HSV 之門檻值使用

o

T 36

H 

、S

T

= 22.95、V

T

= 25.5，H 介於

 36 ^o

間則歸於

0 ^o

，以消除 H 值

0 ^o

與

359 ^o

度間不連續的現象。S 小於 22.95 代表含有過多的白色成份，顏色將不易區分，

因此 H 值也歸為 0 度，S 值也歸 0。V 值低於 25.5 表示色彩亮度偏暗，亦不易識 別其顏色，因此 H 也歸為 0 度。

表 4.10 中，受到 H 之特性關係，僅以出現最大值之 H 值表示，而 S、V 仍

50

mean:1.4958, std:13.6662, maximum point: 13874 at H = 0

0 50 100 150 200 250

0 5000 10000

mean:0.43643, std:3.7449, maximum point: 13855 at S = 0

0 50 100 150 200 250

mean:225.79, std:18.1001, maximum point: 1053 at V = 255

H = 0 μ: 0, σ: 3.74 μ: 225, σ: 18.1

mean:166.9564, std:49.3187, maximum point: 762 at H = 181

0 50 100 150 200 250

0 100 200 300

mean:70.6508, std:23.7987, maximum point: 316 at S = 0

0 50 100 150 200 250

0 50 100 150

mean:81.259, std:26.6808, maximum point: 184 at V = 74

H = 181 μ: 70, σ: 23.8 μ: 81, σ: 26.68

mean:1.203, std:14.52, maximum point: 10905 at H = 0

0 50 100 150 200 250

mean:146.1938, std:16.1004, maximum point: 843 at S = 147

0 50 100 150 200 250

mean:214.6707, std:21.8229, maximum point: 470 at V = 225

H = 0 μ: 146, σ: 16.1 μ: 214, σ: 21.82

mean:4.6234, std:29.2747, maximum point: 6982 at H = 0

0 50 100 150 200 250

0 100 200 300

mean:71.5515, std:15.6509, maximum point: 324 at S = 77

0 50 100 150 200 250

0 100 200 300

mean:66.3285, std:11.8791, maximum point: 364 at V = 68

H = 0 μ: 71, σ: 15.65 μ: 66, σ: 11.88

mean:147.3788, std:22.7664, maximum point: 1404 at H = 151

0 50 100 150 200 250

mean:38.5463, std:9.0828, maximum point: 860 at S = 39

0 50 100 150 200 250

mean:250.0465, std:11.7105, maximum point: 8045 at V = 255

H = 151 μ: 38, σ: 9.08 μ: 250, σ: 11.71

建立色彩模型，再擷取人物於畫面中與攝影機距離由遠到近的各個影像，以直方 圖激發的方式進行詴驗，其正確率計算方式為

%



100



人物畫面影像數 辨識正確之影像數

正確率 (4.6)

圖 4.18 比較上半身區域取樣數與兩個色彩空間對正確率之影響，我們可得 YC

_b

C

_r

的正確率皆大於 rgb 模型。

使用直方圖交集[11]以及直方圖激發於 YC

_b

C

_r

進行比較，直方圖交集取用所 有上半身區域之像素點建立模型，並與預先建立的色彩模型做交集運算，其考量 範圍最為完整，詴驗之正確率為 100%，但由於其需經由建立模型、交集運算兩 個處理程序，在運算效率上較直方圖激發來得慢。我們統計所有詴驗樣本之上半 身區域像素點數，其平均為 735 個像素，在使用直方圖交集時平均每次處理皆要 運算如此的點數，且需經過兩個處裡程序。使用直方圖激發則依照取樣區域數而 定，每個取樣區域為7



7之遮罩，共 49 個像素點，而由圖 4.18 觀察可得，在取 樣數為 7 時正確率即以逼近 100%，而使用像素點僅 343 個像素。經由上述討論，

圖 4.18. 比較 YC

b

C

r

與 rgb 之正確率

52

直方圖激發比起直方圖交集有更佳的處理效能，而我們在處理的影像為連續的影 像序列，因此透過數個影像間進行主要投票，則可再次縮減直方圖激發的取樣數 至 3 個取樣樣本，並且維持辨識水準。

在文檔中 室內環境之人物辨識 (頁 54-65)