辨識畫面

觀察有投影片的相似度分布，可以從圖 3.20觀察相似度在錄影畫面和投影片之 間的關係，我們很容易發現大部分正確的投影片和畫面具有較高的相似度，然而某些 例外的情況如圖 3.21 就出現無法套用這個判斷方式的反例。

圖 3.17: 畫面相似度示例，其中縱軸為相似度倒數，故值越低越相似，橫軸為畫面

編號，以時間排序。藍線為高斯混合模型找出的平均值，綠色圓點為包含投影片的 畫面，紅色 x 為非投影片的畫面，五角形為預測為投影片的結果，六角形為預測為 非投影片的結果

圖 3.18: 特徵點配對統計直方圖，由圖 3.17 統計相似度出現頻率的分布情況，並 且加入預測結果標記，-1 為非投影片分類。其他數字為預測的投影片編號，綠色線 段是預測為有投影片的分類，紅色則是沒有投影片的分類

圖 3.19: 經過後處理可以發現在右邊的投影片編號大多數被校正為無投影片的分

類，少部分仍然出錯的情形是因為這些畫面中包含較多非投影片的雜訊，如人物背 景等等

3.5.1 ^{建立更多特徵辨識畫面}

因為我們發現以單一特徵沒辦法在這個階段辨識出「無投影片」的畫面，且在某 些配對可以發現只依賴平均相似度有許多不足之處，因此我們分別又定出以「前 50 名的相似度平均」、「經 RANSAC 取得的配對相似度平均」、「單應性映射範圍內配 對負權重相似度平均」、及「單應性映射投影面積比例」等共五種相似度特徵。我們

圖 3.20: 觀察相似度在每個畫面和投影片的關係，可以發現大部分正確的投影片具 有較高的相似度 (較低的距離) 圖中紅色為實際值，綠色為預測結果，白色為相似 度倒數，值越大代表約不相似，x 軸為投影片編號，y 軸為錄影畫面按時間排序的 編號，z 軸為相似度倒數

圖 3.21: 這個圖中顯示大部分的相似度都很接近時，會產生錯誤的判斷結果 x 軸

為投影片編號，y 軸為錄影畫面按時間排序的編號，z 軸為相似度倒數

取出部分候選畫面呈現如圖 3.22及 圖 3.23所示。從圖中可以明顯看到由單應性特徵 取得的面積比例在這裡是區辨力相當高的特徵之一，而前 50 名特徵點平均取得的結 果透過前一節的高斯模型分類方式也有相當的區辨力。

下表3.1為去除無投影片的畫面後，以畫面為主找出所有配對的投影片中的最相 似的作為辨識結果。如前面所提到，用單一特徵作判斷，在這個階段無法決定沒有投 影片的畫面，所以我們重新觀察表中的選項發現：在大部分情形中，如果有過半的特 徵可以辨識出同一張投影片，那通常會和實際結果一樣。例如 Frame ID 10127，有 4 個特徵都將畫面辨識為 9 的結果，和實際結果相符。

200 225 250 275 300 325 350 375

Candidate ID

10 20 30 40

Slide ID

Mean Dist

150

200 225 250 275 300 325 350 375

Candidate ID

10 20 30 40

Slide ID

Rdist

200 225 250 275 300 325 350 375

Candidate ID

10 20 30 40

Slide ID

Inv Rdist

−24000