i
PosQuality if GlobalResult PosQuality PosQuality if GlobalResult
PosQuality if GlobalResult
+ = + 3.1 計算樣本
MultiMatchScore
i與三個門檻值的距離，類別間最小距離者為分類結果
GlobalResult
i。Scoredistance | |,
Scoredistance | |,
Scoredistance | |,
GlobalResult argmin Scoredistance
i
34
NegQuality if GlobalResult NegQuality NegQuality if GlobalResult
NegQuality if GlobalResult
+ = −
Step 4 若
PosQuality
大於NegQuality
，則遞減UnknowTh
與NonHumanTh
後重複計算 Step 2 及 Step 3，直到在不變動PosQuality
的情況下，將NegQuality
提升到最好。Step 5 若
NegQuality
大於PosQuality
，則遞增UnknowTh
與HumanTh
後重複計算 Step 2 及 Step 3，直到在不變動NegQuality
的情況下，將PosQuality
提升到最好。圖 4-2 全域偵測器訓練虛擬碼
35
Step 2 為頭肩人形樣版的建立流程，將所有正樣本灰階影像(Igrey)的灰階值累加，並 計算出平均灰階影像(IAvgGrey)。而後對平均灰階影像計算 ADM 邊緣強度影像，再以觀 察的方式設立一個門檻值(ThHS)，進行二值化後得頭肩人形樣版，如圖 4-3(c)所示。
圖 4-3 (a) Module 1 演算及模組切割流程圖 (b)全身正背面樣版流程示意圖 (c) 頭肩樣版流程示意圖
人形樣版與一般影像進行 DT 轉換之後的樣版比對方法於 1999 年由 Gavrila 與 Philomin [36]提出。由於我們有兩種人形樣版，如何將兩種人形樣版的比對分數結合將 於 4.1.2 章節說明。在本章節中是以範例的方式來說明 DT 影像與樣版比對的方法。
一般影像在經過由 3.2 章節中所講述的 DT 距離演算法轉換之後，便可以開始與樣 版進行比對，並計算比對分數。其比對的方法是將樣版中的特徵點座標(Tp(x,y))對應至 DT 影像中的相同座標(DTchamfer
(x,y))，並依 DT 影像 (x,y)座標中的距離值進行累加，直
至樣版所有的特徵點都對應並累加完成後，便為比對分數。比對的示意圖如圖 4-4 所示。圖 4-4 樣版比對及計算比對分數方法示意圖
36
4.1.2 雙重樣板比對分數與轉換權重係數 雙重樣板比對分數與轉換權重係數 雙重樣板比對分數與轉換權重係數 雙重樣板比對分數與轉換權重係數
於模組二一開始，我們將會先計算兩種不同樣版的比對分數。首先以正負訓練影 像計算 ADM 邊緣強度後，並以 ThFB二值化 ADM 邊緣強度影像，再進行 DT 轉換，而 後與全身正背面人形樣版比對，計算全身正背面比對分數(FBscore)。再以 ThHS二值化 ADM 邊緣強度影像，進行 DT 轉換，而後與頭肩人形樣版比對，計算頭肩比對分數 (HSscore)。
由於全身正背面人形樣版比對一張 64*128 Pixels 的訓練影像大小，而頭肩人形樣 版只比 64*40 Pixels 的訓練影像大小，FBscore 的分數區間與 HSscore 相比之下則高上 許多。若要將兩者的分數結合，我們使用正規化(Normalize)的方式，使得的分數區間與 的分數區間相同。同時，我們也利用正規化的係數來計算出可套用至所有影像的轉換權 重係數(FBscoreWeight)。模組細部運算流程如圖 4-5。
圖 4-5 Module 2 模組演算細部流程圖
37
首 先 我 們 分 別 找 出 正 樣 本 影 像 的 全 身 正 背 面 及 頭 肩 人 形 樣 版 分 數 的 最 大 值
(PosFB
max，PosHSmax)，與負樣本影像的兩種樣版比對分數的最大值(NegFBmax，NegHSmax)，而後分別計算由 FBscore 正規化至 HSscore 的正樣本與負樣本轉換係數(PosHSmax
/PosFB
max，NegHSmax/NegFB
max)。最後將兩者相加並除以二，得到 FBscoreWeight。計 算步驟如圖 4-2 中 Module 2 的 Step 2 及 Step 3 所示。得 到 轉 換 權 重 係 數 後 ， 便 開 始 計 算 所 有 訓 練 樣 本 影 像 的雙 重 樣 版 比 對 分 數 (MultiMatchScore)。其算法為 FBscore 乘以 FBscoreWeight 並與 HSscore 相加，如圖 4-2 中 Module 2 的 Step 4 所示。
4.1.3 調整最佳門檻值 調整最佳門檻值 調整最佳門檻值 調整最佳門檻值
模組三於前半段的計算中承接模組二計算後輸出的所有樣本影像的雙重比對分數 (MultiMatchScore)，先後計算正樣本影像 MultiMatchScore 總合後的平均值、負樣本影像
MultiMatchScore 總合後的平均值及所有樣本影像 MultiMatchScore 總合後的平均值，並
分別將三種平均值視為全域偵測器分類是人(+1)、非人(-1)及不明(0)的門檻值(HumanTh、NonHumanTh、UnknowTh)。計算的方式如圖 4-2 Module3 中的 Step 1，其計算的流程圖
如圖 4-6。圖 4-6 Module 3 模組演算細部流程圖
38
Detector +1 Quality，PosQuality)，如圖 4.2 Module 3 中的 Step 2 所示。再以負樣本與先前求出的三種門檻值進行分類，若分類為非人則分類品質加 1、分 類為不明則減 0.5 以及分類是人則減 1，最後將總分正規化至 0~100 之間，將其數值視 為全域偵測器對負樣本影像的分類品質(Global Detector -1 Quality，NegQuality)，如圖 4.2 Module 3 中的 Step 3 所示。
在圖 4-6 中的右半部，則是利用先前求出的兩類分類品質進行門檻值的調整，根據 分類品質的條件判斷分別進入不同的子模組進行計算。若是 PosQuality > NegQuality，
則代表正樣本影像的分類品質比負樣本影像的分類品質來的優良，因此我們持續降低
Pos MultiMatch Score
Neg MultiMatch Score
UnknowTh NonHumanTh HumanTh