利用時空域雙向濾波器濾除近紅外線影像之雜訊

(c) 原始彩色影像2 (d) (c)經時間域雙向濾波器處理之結果

(e) 原始灰階影像 (f) (e)經時間域雙向濾波器處理之結果 圖2.8 （續）

2.3 利用時空域雙向濾波器濾除近紅外線影像之雜訊

當連續影像沒有前景且背景穩定時，取得濾除雜訊之背景影像最快速的方式 為每次挑選數張連續影像並計算此連續影像中每一個像素點之平均值，2.2.2 所 描述之時間域雙向濾波器亦相當符合此概念。然而，使用時間域雙向濾波器濾除 雜訊有個缺點，即當中心點本身為雜訊時會使正確性大幅降低。造成此錯誤的主 要原因為此濾波器考慮中心點與所有時間鄰近點的灰階值差異以分配權重，但因 中心點本身為雜訊，其他鄰近點與中心點之灰階值差異無法反映真實無雜訊影像 之情形，因此造成權重分配錯誤。本節將以時空域雙向濾波器改善此中心點為雜 訊所造成的問題，並在此濾波器計算的過程中額外提供一個類似前景偵測之結 果。

2.3.1 時空域雙向濾波器之架構

23

近點稀釋。本濾波器之分母部分有兩項用途：一為正規化因子（normalization factor），使其加權平均之權重值總和為 1；二為該像素點是否為前景物的判斷標 準，此部分將於下一部分詳加介紹。

2.3.2 利用時空域雙向濾波器之前、背景判斷

由於每次處理一個像素點時，我們需計算鄰近時間的同一位置像素點其空間 相異的程度，並依其時間距離及空間相似程度分配權重值。因此，當時間域中該 像素點正經歷前背景交替時，會因為鄰近時間之空間相異程度高使得此正規化因 子較小；反之，若該像素點一直呈現穩定的狀態，此正規化因子就會較大。

因此，我們制定一個理想背景值，當正規化因子大於此理想背景值時，我們 即可視此像素點為背景像素點；反之，我們則視此像素點為前景像素點。我們利 用正規化部分的距離特性以及灰階值差異特性之高斯分佈函式變異數來計算理 想背景值

(

) (

)

g σ σ

γ

ω= × 0, × 0, (2.6)

其中，當高斯分佈函式之平均數為零時，代表不論是距離或是灰階值差異特性皆 與實際背景吻合，為一個最穩定的理想值。因此，我們將此兩個平均數為零之高 斯機率值與數值γ 相乘，即可獲得理想背景值ω 。往後，我們在計算每一個像素 點時，即可依時空域雙向濾波器的概念累加其時間鄰近像素點高斯機率值，並期 望此正規化因子大於理想背景值，即視此像素點為背景。

2.3.3 應用時空域雙向濾波器之效果

由前部份之前、背景判斷法則，除了雜訊濾除外，我們尚可將連續影像中前 景及背景的部分切割出來。其中被認定為前景的像素點，主要是因為該像素點在

連續時間下，其灰階值有明顯地變化，導致時空域雙向濾波器之正規化因子過小 不符合理想背景值之門檻，此情況會發生於前景物剛進入或離開此像素點以及此 像素點有灰階值跳動（即雜訊）的時候。

圖 2.9(a)是一近紅外線原始影像，圖 2.9(b)是時空域雙向濾波器判斷前、背 景之結果影像，由於行人之衣服面積較大，在行進的過程中重疊次數多。當此區 域於時間鄰近點的範圍內出現頻率過高，會將此區域視為背景如紅色矩形所示。

圖 2.9(c)是時空域雙向濾波器之雜訊濾除結果，由於此顯示為單張影像畫面，其 降低灰階值跳動的現象較無法呈現。

(a) 原始影像

(b) 時空域雙向濾波器之前景偵測結果 (c) 時空域雙向濾波器之雜訊濾除結果 圖 2.9 時空域雙向濾波器之結果

25

第三章 基於高斯混合模型之人物偵測

文獻[6]提出之高斯混合模型是目前最常被使用的背景建模模型，其概念自 統計學出發，並對連續影像建立背景機率模型。本章我們將介紹高斯混合模型之 原始模型概念及其建立背景及參數更新機制，之後將模型導入我們的系統並針對 夜間環境特別的照明設施進行模型之改良。

3.1 高斯混合模型之基本型態

高斯混合模型為目前最常用之背景建模模型之一，此模型對於穩定背景或漸 進式變化背景有理想的處理能力，因此已經被廣泛的應用於固定式攝影機之背景 建模方法。本節將介紹高斯混合模型之基本型態及其執行過程、參數更新機制。

假設有一影像串列

{

}

一個位置像素點為單位建立K組高斯分佈，此高斯分佈即代表此像素點可能之背 景灰階值範圍。除此之外，本模型會逐步更新第k 組（1≤k ≤K）高斯分佈的高 斯平均數μ 、標準差_{k ,t} σ 及權重值_{k ,t} ω 。平均數及標準差將作為新進影像之像素_{k ,t} 點是否符合背景高斯的評斷標準，而權重值大小則與其所屬之高斯分佈於此像素 點之出現機率多寡呈正相關。

3.1.1 高斯混合模型之初始化

當本模型開始執行時，由於第一張影像X 沒有先前已建立之高斯資訊，因₁ 此必須對高斯混合模型進行初始化。初始化即依X 中每一個像素點₁ x 之灰階值₁

( )

I 建立第一組（k =1）高斯分佈，並將此高斯分佈之平均值μ 設定為_1,1 I

( )