二、 文獻探討
4.3 降低運算量於效能差異比較
此部份實驗將分別對LBP、LFP、及本研究提出之 LFP-SCRG 等三個方法進行運算 量比較，其中影像運算量之參數有r 、 R 、 P 、TB、K 等共同參數值，而 r 於原作者中 參數值已經極小，故無比較性；而TB像徵著後選模組之數量，但LBP、LFP 所建議之模 組數皆小於4，因此TB變動性太低，而LFP-SCRG 具有模組刪除機制可防止模組數過高，
在絕大部份實驗中，也不需特別利用TB控管候選模組，因此r 及TB在此取作者建議值，
不另外深入探討，並給予預設值r2，而本方法因特徵區塊化，故r 值定為r1，另外 7
.
0
TB ，其他各方法之獨立參數將套用原作者建議值，其中觸發時機參數L 將固定為 3，欲比較之動態參數將於各實驗中詳細列出，而下圖為原作者於該影像序列之最佳解，
將以此為基準觀察各參數影像之結果。
(a)理想影像 (b)LBP (c)LFP (d)LFP-SCRG
FN 777 1076 894 FP 866 621 1302 FP+FN 1643 1967 2196
(e)理想影像 (f)LBP (g)LFP (h)LFP-SCRG
FN 7 57 65 FP 830 449 466
FP+FN 837 506 531
圖二十 各方法建議之最佳解表
表七 降低運算量於效能差異比較表
LBP LFP LFP-SCRG
變更參 數
實驗名稱
FN+FP FPS K FN+FP FPS K FN+FP FPS K WavingTrees 6800 3.77 4 4689 0.6 4 2578 6.53 2.15 R
跑 1630 3.5 4 1258 0.5 4 533 6.6 1.33
WavingTrees 4576 0.23 4 2740 6.1 2.47 P
跑 705 0.19 4 711 6.82 1.36
WavingTrees 2694 3.83 3 2435 2.34 3 2548 6.48 2.78 K
跑 640 3.8 2 653 2 2 533 6.46 1.43
變更參數 LBP LFP LFP-SCRG
R
P
K
圖二十一 降低運算量於效能差異之偵測結果圖
就整體實驗結果與原作者之最佳解比較下，在運算速度上本研究之方法壓倒性勝 出、LBP 次之、LFP 速度最差；而在精確度上，本方法可以保持在與兩方法之最低誤差 值，偵測結果較為穩定，反觀LBP、LFP 在門檻變動時，偵測結果差異極大；最後模組 數下調之比較，充份的顯示了在近似之平均模組數下，本方法能保有最高之物件完整 度、最低誤差度，且明顯改善原LFP 之運算速度，而 LBP、LFP 在低模組數下精確度下 降許多，顯示本方法在調配模組數上相當強健。總結各門檻之比較結果，本方法在各門 檻之適應力皆比LBP、LFP 來得高，其導因於 SCRG 之動態模組支援及內含時間、次數 資訊之權重值，因此即使物件特徵資訊不足，仍可依特徵之出現頻率等資訊自動判斷模 組之更新方向，令物件輪廓更精確，這更象徵了本方法不需過度依賴門檻值。
4.3.1 特徵直方圖參考距離 R 比較
因本方法於影像區塊化後，只需R3之參考範圍即可達到與原LFP 方法誤差很小 之結果，因此此實驗將統一LBP、LFP 之R3，從結果圖中可發現，當R 值降低時，
LBP、LFP 之特徵描述力皆大為下降，使得複雜背景無法精確訓練，而簡單背景更是無 法即時訓練已存在於背景中之物件。
4.3.2 特徵直方圖參考鄰邊點數 P 比較
此實驗將再次比較LFP-SCRG 將影像區塊化後，所縮小之運算量。因區塊化後相對 距離皆縮小，故本方法將取比原作者更低之鄰邊點數，而因LFP 方法特徵對鄰邊點差異 關係描述性較LBP 強健，故此實驗僅取 LFP 為代表進行比較，並將 LFP 方法鄰邊點數 設定一致，從結果圖中可看出當參考鄰邊點數P 下降時，則出現物件輪廓極為破碎之現 象，因其區域資訊大為降低，而本方法皆可適應在較低之鄰邊點數之下。
4.3.3 模組數 K 比較
此部份將比較LFP-SCRG 動態建立之模組數，是否能使 LBP、LFP 在同樣模組數量 下擁有相同之偵測效果，若LFP-SCRG 模組數非整數，則取天花版函數作為參數值。
4.3.4 Kernel 演算法對於效能之影響比較
此部份將加入Kernel 演算法於 LFP 特徵中，並探討本研究提出之 LFP-SCRG 方法 於加入Kernel 演算法前後之變化，比較對象為圖二十中之 LFP-SCRG 之最佳解，參數
2 .
0
K 。由圖二十二可知在簡單背景實驗中，誤判點數有所下降；然而在複雜背景中 卻無較佳的結果，研判是因為受到參考點距離影響，故連背景皆有零星雜訊所造成之誤 判點，但總體而言，物件輪廓較未加入Kernel 演算法前更為細緻。
(a)理想影像 (b)LFP-SCRG
FN 948 FP 1420 FP+FN 2368 (c)理想影像 (d)LFP-SCRG
FN 82 FP 403 FP+FN 485
圖二十二 結合 Kernel 演算法之偵測結果
4.3.5 形態學處理
最後將前述各模組之整合方法進行偵測，並將其偵測結果先後進行1 次侵蝕及擴 張，侵蝕可以降低LFP 特徵所造成物件輪廓粗大之誤判點數，並清除因 Kernel 演算法 造成之零星背景雜訊，而擴張則可以橋接物件面積中之破碎點。第一個實驗之誤判點總 合雖未大幅降低，但背景之雜訊已明顯被清除，而第二個實驗則錯誤點明顯降低。
(a)理想影像 (b)LFP-SCRG
FN 1070 FP 994 FP+FN 2064 (c)理想影像 (d)LFP-SCRG
FN 113 FP 202 FP+FN 315
圖二十三 結合形態學之偵測結果