雙模式高斯混合模型與開關照明設施之事件偵測

如3.3.1 所描述，即使調高高斯混合模型之學習速度，每次照明設施開啟或 關閉時都會有一段時間無法正確地偵測前景，而且學習速度過快亦容易導致前景 物體因短暫佇留被更新成背景而造成誤判。由此可見，單純調整高斯混合模型之 學習速度參數並無法有效解決感應式照明環境之背景迅速且劇烈變化的問題。

文獻[10]針對此類問題提出一個背景補償之解決方法，由於該論文是以台灣 雪山隧道發展監控系統，因此可以清楚定義影像畫面中背景不穩定區域（車道）

及背景穩定區域（非車道）。背景補償方法藉由偵測背景穩定區域之色彩值迅速 且劇烈變化，並利用該變化量補償回背景不穩定區域再執行後續前景及事件等偵 測。雪山隧道之環境可以明確地定義其背景穩定區域及不穩定區域，並藉由穩定 區域之色彩資訊偵測開燈及關燈狀態，然而本系統之應用環境無法如此定義，因 此我們參考其概念提出雙模式之高斯混合模型希望能改善此環境之偵測結果。

雙模式之高斯混合模型可分為平常的關閉照明設施模式（後稱為關燈模式）

及前景經過導致照明設施啟動的開啟照明設施模式（後稱為開燈模式），此兩組 模式各別為一高斯混合模型。我們依據開關照明設施之事件偵測進行模式交替的 切換，並期望在開、關燈模式下此模型皆能達成理想之偵測結果。

開、關照明設施之事件偵測

若要達成理想的偵測結果，我們要確實掌握開、關燈模式切換的時機，因此 開、關照明設施之事件偵測是相當重要的。我們利用高斯混合模型之前景結果影 像為基礎，並使用簡單的像素點數目統計資訊迅速地進行此事件偵測。

監控過程中不論是開燈還是關燈，其環境亮度皆改變劇烈，使用高斯混合模 型進行偵測之前景結果影像其畫面中會有大量像素點為前景，如

(d)其前景區域佔畫面約三分之一之面積。至於前景像素點佔畫面多寡則與 場景及照明設施開關速度有關係。因此可以使用現在時間點t之影像前景像素點

37

數目F 與影像總像素點數Total 作為照明設施開關改變之依據，若_t F 超過畫面某_t 一比例R 即可能發生開、關燈事件並進行模式的切換 _N

N

t R

Total

F > (3.8)

為了偵測開燈模式切換為關燈模式或相反情況，我們需要觀察像素點亮度變 化的趨勢。我們將此趨勢稱為亮度增減數I ，並藉由投票機制決定此數大小，此_c 機制以影像中每一個位置之像素點為單位，若現在影像之亮度值較前一張影像之 亮度值大，則亮度增減數增加一單位；反之，則亮度增減數減少一單位。I 之正、_c 負值決定其為變亮（開燈）或變暗（關燈），而其大小 I 則決定此趨勢之強弱。 _c

即使開關燈切換的前一張影像畫面中有前景物，但由於此影像之背景仍然穩 定，因此其前景像素點數不會過大。由於開、關燈會造成環境整體亮度以相同的 趨勢變化，因此 I 會遠大於時間點_c t 之影像前景像素點數目−1 F ，根據以上之_t−1 觀察，我們利用式(3.9)判斷是否發生開關燈事件，其中，R 為系統設定之閥值 _I

c t

I I

R > F⁻¹ (3.9)

上述兩條件（式(3.8)與式(3.9））成立即代表發生開、關燈事件，接著以亮度 增減數之正負值來區分開燈變關燈及關燈變開燈的情況，若是關燈變為開燈，則 亮度增減數為正值；反之，若是開燈變為關燈，則亮度增減數為負值。我們能利 用此判斷條件進行開關照明設施之事件偵測，並在偵測得事件發生後進行開、關 燈模式之切換。

雙模式之高斯混合模型

雙模式之高斯混合模型係針對開燈模式及關燈模式建立兩組高斯混合模型，

並依據開關照明設施之事件偵測進行此兩模式交替之切換。然而不論監控影片初 始環境之照明設備為開啟或關閉，我們最初只能建立其中一組模式之高斯混合模 型，而如何在第一次切換模式時建立第二組模式之高斯模型亦為一個相當實際的 問題。由於感應式照明環境其照明設施平常為關閉，因此本文之後的介紹皆以關 燈模式為第一組高斯混合模型、開燈模式則為第二組高斯模型為例。

一般照明設施開關時環境亮度有一漸進變化的過程，如圖 3.4 之實驗需約五 張影像才能使環境亮度穩定，有些照明設備甚至會更久，因此在初始化開燈模式 之高斯混合模型時，前面幾張可信度不高的影像會造成初始化的參考資訊與預期 背景不符，反而對開燈模式之高斯的建構造成干擾。基於此理由，我們考慮了下 述兩種方式初始化開燈模式之高斯模型：

(i) 增加初始學習速度

我們將開燈模式之高斯模型的初始學習速度參數設定極大，並在之後偵 測的過程中逐漸降低至與關燈模式相同，其優點在於即使開燈模式高斯 初始化的參考資訊有干擾，卻能以快速更新的方式快速建立開燈之後的 穩定背景。圖 3.6(a)為偵測到開燈事件後切換為開燈模式之第一張影像，

圖 3.6(b)為其前景偵測的結果影像。圖 3.6(c)為切換開燈模式後之第二 張影像，由於第一張影像之環境亮度尚未達穩定狀態，因此提供的背景 資訊不正確，造成其前景偵測的結果亦不正確如圖 3.6(d)之結果。圖 3.6(e)為切換開燈模式後第十五張影像，此時背景光源已穩定並成功建 立開燈模式之高斯，圖 3.6(f)為其前景偵測的結果影像，可看出已無其 餘非前景的部分被誤判為前景。然而此方式由於初始學習速度過高，可 能造成3.2.1 所描述之部分前景物體中間區域被學習為背景而誤判，如 圖 3.6(f)之前景人與影子中間的空洞。此外尚有一問題，即此方式在調 低學習速度與第一組高斯相同後，原先影像的前景區域已有部分被學習

39

成為背景，造成該區域的背景與實際背景不同，因此之後使用學習速度 較慢的高斯模型偵測會有殘影的現象產生，如圖 3.6(g)為模式切換後第 三十張影像，由於其行徑路徑已被學習為背景，因此當人離開此路徑時，

此方法將人原先之位置偵測為前景，如圖 3.6(h)為其前景偵測之結果影 像，其中紅色矩形之位置為殘影現象。導致此情況的主要原因是學習速 度參數的設定，而原先關燈模式設定之學習參數需要約九十個影像畫面 才能學習穩定背景，因此調整學習參數與關燈模式相同之開燈模式亦需 要約九十個影像畫面才能完全解決人殘影的現象。圖 3.6(i)(j)分別為調 低學習參數後的第九十張影像及其前景偵測之結果影像，由前景結果可 看出原先人的殘影現象已經由學習改善，但是影子的部分則因行徑重疊 性過大產生殘影現象如圖 3.6(j)之紅色矩形。

(a) 模式切換後之第一張影像 (b) (a)經高斯混合模型處理後之前景影像

(c) 模式切換後之第二張影像 (d) (c)經高斯混合模型處理後之前景影像 圖 3.6 調變式學習速度進行初始化開燈模式之高斯混合模型

(e) 模式切換後之第十五張影像 (f) (e)經高斯混合模型處理後之前景影像

(g) 模式切換後之第三十張影像 (h) (g)經高斯混合模型處理後之前景影像

(i) 調低學習參數後第九十張影像 (j) (i)經高斯混合模型處理後之前景影像 圖3.6 （續）

(ii) 忽略光源漸進變化過程之背景不穩定影像

在初始建立開燈模式之高斯模型時，忽略前面數張影像不予考慮，即跳 過光源開啟的漸進式過程，而忽略的影像數量則可因亮度變化達穩定的 速度調整，本例子將此數設定為十。圖 3.7(a)(b)分別為切換為開燈模式 後第十五張影像及此方式建構出的背景所作的前景偵測之結果影像。可 與圖 3.6(e)(f)比較，本方式因非使用學習參數調高的方式，畫面中之前

41

景不會快速地被建構於背景影像中，並能快速適應光源變化達穩定後的 狀況。而此方式之缺點為忽略的十張影像則不做任何前景偵測，因此必 須能容忍第一次切換模式的偵測結果會缺少幾張影像結果。

(a) 模式切換後之第15 張影像 (b) (a)經高斯混合模型處理後之前景影像 圖 3.7 忽略光源漸進變化過程進行初始化開燈模式之高斯混合模型

不論使用此兩種方式的任一種，其影響偵測結果只出現在第一次切換模式的 時候。之後只需判斷模式切換事件，即切換為另一種高斯模型即可進行有效地偵 測，而偵測結果只在開關燈之漸進過程會有錯誤。此漸進過程通常為短暫幾個影 像畫面，因此不會對系統整體偵測結果造成太大的影響，因此使用雙模式之高斯 混合模型能獲得理想的感應式照明環境之物體偵測結果。