以實際拍攝道路追蹤車輛的影片作為實驗影片，手動框選出車輛所在位置及大小，
並分別使用：Lucas-Kanade 光流法與 PSO-based LK 來作為比較，如圖 6.14 與圖 6.15 所 示。
0
th
Frame 10th
Frame 20th
Frame30
th
Frame 40th
Frame 50th
Frame60
th
Frame 70th
Frame 80th
Frame 圖 6.14、在交通車輛影片上，Lucas-Kanade 光流法實驗結果Lucas-Kanade 光流法可能因環境因素(例如：光源變化、背景改變、追蹤物件變化 劇烈現象)導致追蹤框產生漂移或變形的現象，而在交通車輛影片中，車輛本身行進速 度快，且在於複雜的交通背景情況下(如：本身影子變化、週圍車輛行進，周遭大樓影 子)，從圖 6.14 中發現，當第 10 張影像的時候，追蹤框已無法準確地追蹤車輛，導致後 面的追蹤結果都是錯誤的。然而使用 PSO-based LK 作物件追蹤，圖 6.15 中發現，當第 10 張影像時，雖然追蹤框形狀有點傾斜，但還是能有效地追蹤物件的位置，使得後面追 蹤的效果依然有效，從圖 6.16 中，兩種方法的 MSE 變化，可以清楚發現 Lucas-Kanade
光流法在第 0~10 張畫面時，MSE 已逐漸提升到非常大的值，而 PSO-based LK 卻能平 緩 MSE 值的變化，使 MSE 值不會有過大值的產生，有效達到物件追蹤的效果。
0
th
Frame 10th
Frame 20th
Frame30
th
Frame 40th
Frame 50th
Frame60
th
Frame 70th
Frame 80th
Frame 圖 6.15、在交通車輛影片上 PSO-based LK 之實驗結果圖0 10 20 30 40 50 60 70 80
0 500 1000 1500 2000 2500 3000 3500
Frame number
MSE
LK PSO-LK
圖 6.16、交通車輛影片中 PSO-based LK 與 Lucas-Kanade 光流法之 MSE 值比較
比對 Lucas-Kanade 光流法與 PSO-based LK 的參數 p 個個參數值變化，如圖 6.17~6.20 所示，Lucas-Kanade 光流法在第 10 張影像時參數 p 已無法準確估計出正確值 來追蹤車輛，如圖 6.17 與圖 6.18 所示，圖 6.17 可以觀察到在第 10 張影像後，參數
p 1
~p 4
已開始出現錯誤計算的情形產生，而圖 6.18 發現，在第 0~10 張影像時，參數 p 及5
p 並6
沒有出現變化，追蹤框出現靜止不動的情況發生，而可以看出 Lucas-Kanade 光流法已無 法準確地追蹤到車輛位置，導致後面的追蹤出現錯誤追蹤的情形。0 10 20 30 40 50 60 70 80
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Frame number
Parameter value
p1 p2 p3 p4
圖 6.17、在交通車輛影片上 Lucas-Kanade 光流法之參數
p 1
~p 4
變化0 10 20 30 40 50 60 70 80
-50 0 50 100 150 200 250 300
Frame number
Parameter value
p5 p6
圖 6.18、在交通車輛影片上 Lucas-Kanade 光流法之參數p 與
5
p 變化6
PSO-based LK 能更新出比 Lucas-Kanade 光流法更精準的參數p 用於物件追蹤上，
如圖 6.19 與圖 6.20 所示，從圖 6.19 發現參數
p 1
~p 4
，能隨著影片中車輛的遠離拍攝裝 置的行為，車輛本身逐漸變小，使得參數p 1
與p 4
有下降的趨勢，圖 6.20 發現，在第 0~10 張影像中，參數p 與5
p 不會出現 Lucas-Kanade 光流法中參數沒有變化的現象，參數6
p5
與p 隨著影片中的車輛行進方向產生變化。
6
0 10 20 30 40 50 60 70 80
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Frame number
Parameter value
p1 p2 p3 p4
圖 6.19、在交通車輛影片上，PSO-based LK 之參數
p 1
~p 4
變化0 10 20 30 40 50 60 70 80
-50 0 50 100 150 200 250 300
Frame number
Parameter value
p5 p6
圖 6.20、在交通車輛影片上，PSO-based LK 之參數p 與
5
p 變化6
從參數變化的過程發現，使用 PSO 更新方式使得 Lucas-Kanade 光流法較不容易受 環境因素的影響導致錯誤追蹤，而針對參數p 與
5
p 使用 PSO 更新比較於 Lucas-Kanade6
光流法來得有效，並且使得參數p 1
~p 4
在於有效的參數 p 與5
p 更新下，也能有更精準6
的變化。第 7 章 結論
物件追蹤(object tracking)在電腦視覺中是一門很熱門的研究主題，經常使用於智慧 型交通系統、人機介面、臉部辨識等…。本論文主要探討 Lucas-Kanade 光流法用於物件 追 蹤 的 穩 定 性 ， 並 且 介 紹 如 何 透 過 軟 式 計 算 中 粒 子 群 聚 最 佳 化 演 算 法 來 達 到 Lucas-Kanade 光流法更穩定的追蹤效果。
Lucas-Kanade 光流法相較於背景相減法及連續影像相減這兩種方面來的有效，主要 原因在於 Lucas-Kanade 光流法較不容易受到背景變化因素干擾以及追蹤物件本身大小 形狀變化的因素而導致無法正確追蹤，然而 Lucas-Kanade 光流法雖較能有效追蹤，但在 過多的背景干擾還是會有錯誤追蹤的情形產生。而主要可能產生錯誤追蹤的情況如下：
(1) 當在樣版影像中的物件本身出現雜訊時 (2) 當偵測物件變化過大過快時
(3) 當偵測物件本身受光影變化過於劇烈時 (4) 當拍攝裝置搖晃時
為了改善傳統 Lucas-Kanade 光流法的精確度，在使用 Lucas-Kanade 光流法之前，
先以粒子群聚最佳化進行估測，在本論文第 5 章節，提出如何藉由粒子群聚最佳化 (particle swarm optimization, PSO)計算出一組參數能夠使傳統 Lucas-Kanade 光流法在有 效範圍內計算出參數避免產生發散或是落入區域最小值的情形出現，此方法稱為 PSO-based LK，而從第 6 章的各種實驗結果可以發現，使用 PSO 能改善傳統 Lucas-Kanade 光流法在追蹤物件時追蹤框不會有過度的搖晃起伏，並且對於追蹤物件在較為複雜的背 景及動作下也能有穩定的追蹤效果。
參考文獻
[1] B. D. Lucas and T. Kanade, “An iterative image registration technique with an application to stereo vision,” application to stereo vision, in: Proc. of the International Joint Conference on Artificial Intelligence, Canada, pp. 674–679, Aug., 1981.
[2] S. Baker and I. Mattews, “Lucas-Kanade 20 years on: a unifying framework,”
International Journal of Computer Vision, vol. 56, no. 3, pp. 221-255, 2004.
[3] Berthold K.P. Horn and Brian G. Schunck, “Determining optical flow,” Artifcial Intelligence, pp. 185-203, 1981.
[4] H. H. Nagel, “On the estimation of optical flow: relations between different approaches and some new results,” Artifcial Intelligence, vol. 33, no. 3, Nov., 1987.
[5] P. Anandan, “A computational framework and an algorithm for the measurement of visual motion,” International Journal of Computer Vision, vol. 2, no. 3, pp. 283-310, 1988.
[6] Heeger D. J, “Optical flow using spatiotemporal filters,” International Journal of Computer Vision, vol. 1, no. 4, pp. 279-302, 1987.
[7] D. J. Fleet and A. D. Jepson, “Computation of component image velocity from local phase information,” International Journal of Computer Vision, vol. 5, no. 1, pp. 77-104, 1990.
[8] L. Matthews, T. Ishikawa, and S. Baker, “The template update problem,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 26, no. 6, pp. 810-815, Jun., 2004.
[9] S. Lim, J. G. Apostolopoulos, and A. E. Gamal, “Optical flow estimation using temporally oversampled video,” IEEE Transactions on Image Processing, vol. 14, no. 8, pp. 1074-1087, Aug., 2005.
[10] J. Zhu, M. R. Lyu, and T. S. Huang, “A fast 2D shape recovery approach by fusing features and appearance,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 31, no. 7, pp. 1210-1224, Jul., 2009.
[11] T. Marco, “A genetic algorithm for optical flow estimation,” Image and Vision Computing, vol. 25, no. 2, pp. 141-147, Jan., 2006.
[12] N. Dowson and R. Bowden, “Mutual information for Lucas-Kanade tracking (MILK): an inverse compositional formulation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 30, no. 1, pp. 180-185, Jan., 2008.
[13] D Schreiber, “Generalizing the Lucas-Kanade algorithm for histogram-based tracking,”
Pattern Recognition Letters, vol. 29, vol. 7, pp. 852-861, May., 2008.
[14] P. Sungsoo and K. Daijin, “Subtle facial expression recognition using motion magnification,” Pattern Recognition Letters, vol.30, no. 7, pp. 708-716, May., 2008.
[15] D Schreiber, “Incorporating symmetry into the Lucas-Kanade framework,” Pattern Recognition Letters, vol. 30, no. 7, pp. 690-698, May., 2009.
[16] D. Cobzas, M. Jagersand, and P. Sturm, “3D SSD tracking with estimated 3D planes,”
image and vision computing , pp. 69-79, 2009.
[17] A. Sánchez, J. V. Ruiz, A. B. Moreno, A. S. Montemayor, J. Hernández, and J.J. Pantrigo,
“Differential optical flow applied to automatic facial expression recognition,” in Press Corrected Proof, Available online 20, Oct., 2010.
[18] J. Kennedy, and R. C. Eberhart, “Particle swarm optimization,” in: Proc. IEEE Int. Conf.
on Neural Networks, Perth, Australia, vol. 4, pp. 1942-1948, 1995.
[19] R. C. Eberhart, and J. Kennedy, “A new optimizer using particle swarm theory,” in: Proc.
IEEE Int. Symposium on Micro Machine and Human Science, Nagoya, Japan, pp. 39-43, 1995.