論文流程及架構

本論文的目的在於改善近紅外線影像雜訊過多以及亮度分布不均勻之問題，

並期望透過強化影像來增進人物偵測之效能。圖 1.2 為本論文之應用流程圖，本 節將介紹此流程圖中每個處理過程。我們預期從此流程中獲得兩種輸出結果：一 為雜訊濾除後之強化影像；二為前景偵測後擁有前景物外接矩形之結果影像。

圖 1.2 夜間近紅外線影像之影像強化及人物偵測流程圖

多解析度分析

由於本論文使用之雜訊濾除方式需要整合連續多張影像資訊，造成龐大的運 算量，因此降低影像解析度為一改善效率的方式。且多數監控系統由於需考量成 本因素，系統會降低拍攝影像之解析度以減少硬體儲存空間以及傳輸時間（如 1.2 節所述）。基於上述原因，多解析度分析步驟主要為降低解析度，除了能提升 系統效率，亦能契合實際監控系統所拍攝影像的解析度。

亮度分佈調整（optional）

在夜間環境下，近紅外線攝影機照射之近紅外光無法均勻地分佈於拍攝環境，

如此將導致近紅外線影像會呈現由中心至外圍亮度的輻射狀遞減分佈（如1.2 節 所述）。若近紅外線攝影機於日間場景下，其夜視功能將不啟動，因此其所拍攝 得影像為一般日間影像。令x 及 y 為影像之二維座標，我們利用已經存在的一張 純背景日間灰階影像g(x,y)及一張純背景夜間近紅外線影像 f(x,y)，對每一個位置 之像素點取得其放大倍率λ(x,y)=f(x,y)/g(x,y)，之後即以此放大率對新進近紅外線 影像進行影像補償。如圖 1.3(a)為一場景之純背景近紅外線影像 f(x,y)，圖 1.3(b) 為同場景之純背景一般灰階影像g(x,y)，藉由此亮度補償調整法，我們可以將圖 1.3(c)(e)之有前景之近紅外線影像調整為圖 1.3(d)(f)之結果。

9

(a) 純背景之近紅外線影像f(x,y) (b) 純背景之一般灰階影像g(x,y)

(c) 有前景之近紅外線影像f1(x,y) (d) (c) 之調整結果g1(x,y)= f1(x,y)/ λ(x,y)

(e) 有前景之近紅外線影像f2(x,y) (f) (e) 之調整結果g2(x,y)= f2(x,y)/ λ(x,y) 圖 1.3 近紅外線影像之亮度分佈調整結果

雜訊濾除

本步驟將於第二章作詳細地介紹，其目的為藉由雙向濾波器濾除影像雜訊，

以期望能獲得雜訊較少、畫面較穩定之連續影像。以一般室內監控影像而言，由 於行人所能經過的路徑有限，且行人出現於畫面的面積比例及頻率變化亦有限，

因此畫面中某些像素點為前景之機率很低。在此情況下，由於該像素點之背景穩 定且不受前景干擾，因此可以使用時間域雙向濾波器以減少受雜訊破壞之影響。

反之，若該像素點為前景，則單純使用時間域雙向濾波器將造成殘影現象，因此 必須額外藉由空間域雙向濾波器之概念濾除雜訊。

高斯混合模型

由於本論文的目的有兩個：一為希望透過影像強化及雜訊濾除以獲得品質較 佳之近紅外線影像，以增加後續智慧型分析處理的正確性；二為近紅外線影像之 人物偵測。因此，高斯混合模型除了可評斷雜訊濾除方法之優劣，還可以直接應 用於人物之偵測。

本步驟之高斯混合模型將於第三章中作詳細地描述，此模型是目前最常被用 到的前背景分割模型之一，其特色為在經過一段時間的學習下，該模型能將一個 像素點所有出現的可能背景建立出來。假設場景中有搖晃之樹，在某像素為原先 背景（地板或牆壁）之顏色的機率為0.4，為樹葉之顏色的機率為 0.3，為樹枝之 顏色的機率為0.2，高斯混合模型能將這三種可能顏色皆視為背景。

前景偵測

前一步驟之高斯混合模型在連續影像中每個像素點建立多個（一般為三至五 個）高斯機率分佈，而這些分佈各有其權重，代表該像素在影片中可能的背景顏 色。本步驟之前景偵測係以前述高斯混合模型所建構出的背景模型為基礎，判斷 新進影像是否符合該背景模型，以找出非背景之區域。

11