四個攝影機隨機取 1000張畫面 (N = 1000) 作為訓練資料, 每個攝影機各自建構一個 codebook model , codebook model 需要人為調整的參數為
ǫ1, ǫ2: 前者為建構 codebook 時 colordist 的最大臨界值, 用來決定判斷式 (3.3)。 後者 為 codebook model 在測試時 colordist 的最大臨界值, 用來決定判斷式 (3.5)。
此二參數與攝影機拍攝的雜訊強度有關, 通常設定範圍在 10到 20之間, 範圍內設 定不同的值對成功率沒有顯著的影響, 然而 ǫ1 若太小會造成 codeword 數量太 多, 因而使記憶體使用量和運算花費過高。
α, β: 決定 [Ilow, Ihi] 的參數, 用來計算公式 (3.1), 這組參數與 Tf 一同決定 codebook model 對光影變化的容忍程度, 現在為了統一由 Tf 決定此特性, 我們使用較大 的 α 值, β則取接近 α 倒數的值。
四個攝影機的模型使用相同參數如表 4.2。
表 4.2: codebook 參數 ǫ1 ǫ2 α β 20 20 0.7 1.2
我們列出建構完成的 codebook model 中, 前三個 codeword 的樣本個數 (f ) 平均值於表 4.3
。
表 4.3: 前三個 codeword 的平均樣本數 ¯f
camera 1 camera 2 camera 3 camera 4 first codeword 869.147 489.938 540.015 749.309 second codeword 65.7674 182.365 182.66 108.45 third codeword 20.5115 105.933 76.2844 39.7935
建構完的模型還需要過濾前景, 此時使用不同臨界值 Tf , 可得到多個對明暗變化容忍度不同的 codebook model。 在實作上, Tf 是透過參數 bf 決定, Tf = N/bf = 1000/bf, bf = 2, 4, 6, . . . , 40, 所以每個攝影機各可得 20 個不同 bf 的模型。 2 此時可順便觀察不同 bf 時, 平均每個 codebook 含有的 codeword 個數 (nc), 表 4.4 列舉 bf = 2, 4, . . . , 40 , nc 的變化情況。 可以看出 bf 越 小,codeword 個數越少, 當 bf = 2 時, 每個 codebook 只剩下一個 codeword, 已經無法再更少。 在 實作 codebook model 時, 我們將 codebook 實作成一個 sorted list: codebook 中的 codeword 排序方式為 f 越大的排越前面。 所以第一個之外的前幾個 codeword 通常都在描述影子或亮光中 的背景色彩, codeword越少, 影子或亮光中的背景越容易被判定為前景, 所以 bf 越小,codebook model 辨識陰影或亮光中背景的能力越差。
2經過實驗後發現 camera 1 的 Rsuccess 最大值落在更大的範圍, 所以我們針對 camera 1 在 bf = 2 ∼ 270 間 一共訓練了 66 個模型。
表 4.4: 前景過濾後的 codebook model
背景修正演算法需要設定以下五個參數:
rs: 此參數決定參考視窗的大小, 用於式 (3.8), 此參數與拍攝畫面的解析度相關, 以 我們的實驗數據作測試, 當 rs< 2 時修正演算法的效果明顯變差, rs 在 2 以上的 效果差別不大, 但運算時間會逐漸增加。
rr: 從參考視窗中骰選出參考點時使用的色彩差異臨界值, 通常設定在 15 到 25 之間, 適當的數值需要比較演算法的效果來決定, 用於式 (3.9)。
Ie: 此參數決定生長點的亮度下限, 用於判斷式 (3.11), 先用人工方式找出一些光源 被遮蔽的畫面, 計算黑暗區域的亮度便可得到此參數的參考值。
Tr: 參考點數量的臨界值, 用於判斷式 (3.12), 此參數與 rs 有關, 當 rs = 2 時適合 的設定值在 0到 10之間。
κ: 參考點中背景像素的比例下限, 用於判斷式 (3.13), κ = 0.5 代表參考點的背景 多於前景, 但是考慮前景邊界有可能是內凹, 此數值應設定略小於 0.5。
這些參數在實驗中的設定值如表 4.5。
表 4.5: 背景修正演算法參數 rs rr Ie Tr κ
2 15 70 5 0.4