第三章 研究方法
3.3 區域紋理特徵
3.3.4 貼片式中心對稱區域三元圖樣
本 論 文 所 提 出 的 貼 片 式 中 心 對 稱 區 域 三 元 圖 樣 (Three-Patch Center Symmetric Local Ternary Pattern, TPCS-LTP)是將 GEI 影像執行 CS-LTP 後,應 用 TP-LBP 裡三貼片的概念,也就是將 TP-LBP 中 LBP 的運算部分更改為 CS-LTP 運算,最終獲得 TPCS-LTP 的特徵值。TPCS-LTP 特徵提取的運作流程包含四個 程序:CS-LTP 運算、區塊切割、對各區塊進行 Three-Patch 運算和直方圖統計與 合併,運作流程如圖 3.16 所示。而 TPCS-LTP 的運算公式如公式(8)與(9)所示。
𝑇𝑃𝐶𝑆 − 𝐿𝑇𝑃𝑟,𝑁,𝑤,𝑎
= ∑ 𝑓(∣ 𝐶𝑆𝐿𝑇𝑃𝑔𝑖− 𝐶𝑆𝐿𝑇𝑃𝑔𝑐 ∣
𝑁−1
𝑖=0
−∣ 𝐶𝑆𝐿𝑇𝑃𝑔𝑖−𝑎− 𝐶𝑆𝐿𝑇𝑃𝑔𝑐 ∣) × 2𝑖, (8)
𝑓(𝑥) = {1, if 𝑥 ≥ 𝑇2
0, if 𝑥 < 𝑇2 , (9)
其中,N 代表周圍所選取的區塊數目,g 代表該點灰階值,𝐶𝑆𝐿𝑇𝑃𝑔𝑖為對 i 相素位 置進行 CS-LTP 運算,𝐶𝑆𝐿𝑇𝑃𝑔𝑐為中心區塊的中心像素灰階值,a 表示各區塊間的 間距,r 表示各區塊中心位置與中心區塊的間距,與𝑇2是門檻值。
在進行 Three-Patch 運算之前,我們需要先對 GEI 影像進行區塊切割,將影 像切割成多個不重疊(non-overlapping)的子區塊,這個步驟能夠使我們以更多的 維度特徵來描述一張影像,以獲得更具代表的特徵資訊。如圖 3.17 所示,我們
21
將某步態 GEI 影像切割為 N 個區塊,分別對各區塊進行 TPCS-LTP 的運算,最 後將各區塊的特徵直方圖串接,即可得到經過區塊切割後的 TPCS-LTP 特徵直方 圖。
GEI影像
區塊切割
對區塊進行Three-Patch運算
判斷是否為最後區塊
直方圖統計與合併 否
是
TPCS-LTP特徵輸出 區塊數+1
對影像進行CS-LTP運算 TPCS-LTP
圖 3.16:TPCS-LTP 運作流程示意圖
Feature Histogram R1
RN
R2
. . . .
H1 H2 HN
TPCS-LTP value
圖 3.17:區塊式紋理特徵擷取與直方圖建構示意圖
我們能夠藉由 TPCS-LTP 運算後的特徵值,取得 TPCS-LTP 的影像,如圖 3.18 所示。
22
(a)原始影像 (b) CS-LTP 影像
(b) TP-LBP 影像 (d)TPCS-LTP 影像 圖 3.18:原始影像與不同運算方法後所產生的影像
由圖 3.18 中可以看出,TPCS-LTP 影像在背部紋理的部份,能夠區分出背部以及 手部的擺幅,相較於 CS-LTP 影像與 TP-LBP 影像在紋理的特徵的提取上,有較 佳的表述效果。因此,本論文使用 TPCS-LTP 作為特徵提取的方法。
本論文使用 TPCS-LTP 來進行步態特徵的描述,藉以達到辨識身份的效果。
接下來我們將說明為何我們的方法,能夠運用在身份的分類上。如圖 3.19 所示,
該圖包含 6 種不同的身份,分別為圖 3.19(a)至(f),每種身份的影像中,上列三 張影像為 GEI 影像,下列三張影像為 TPCS-LTP 影像,其中(i)為正常行走,(ii) 為攜帶包包行走,(iii)為穿著大衣行走的影像,我們可以由圖 3.19 中不同的身份 影像看出,同樣是正常行走的狀態每個人卻有不同的特徵,其中較為明顯的就是 手部與腳部的擺幅。由於每個人的行走習慣不同,例如:有的人手部擺幅較大或 是腳步的步伐較大;因此,我們可以藉由 TPCS-LTP 特徵擷取,以突顯出一個人 的步態特徵,達到身份辨識的目的。
23
(i)正常行走 (ii)攜包行走 (iii)穿著大衣行走 (a)身份 1 的 GEI 影像與 TPCS-LTP 影像
(i)正常行走 (ii)攜包行走 (iii)穿著大衣行走 (b)身份 2 的 GEI 影像與 TPCS-LTP 影像
(i)正常行走 (ii)攜包行走 (iii)穿著大衣行走 (c)身份 3 的 GEI 影像與 TPCS-LTP 影像
24
(i)正常行走 (ii)攜包行走 (iii)穿著大衣行走 (d)身份 4 的 GEI 影像與 TPCS-LTP 影像
(i)正常行走 (ii)攜包行走 (iii)穿著大衣行走 (e)身份 5 的 GEI 影像與 TPCS-LTP 影像
(i)正常行走 (ii)攜包行走 (iii)穿著大衣行走 (f)身份 6 的 GEI 影像與 TPCS-LTP 影像
圖 3.19:不同的身份在各種狀態下的 GEI 影像與 TPCS-LTP 影像
25