二、 文獻探討
4.2 LFP-SCRG 模組要素之於效能差異分析
本研究提出之LFP-SCRG 方法共分為「原 LFP 特徵」、「區塊化LFP 特徵」、「Kernel 運算」、「HSV 特徵」、「原 LBP 權重模組」、「觸發次數權重模組」、「觸發次數及觸發時 機模組」、「SCRG 動態建模及更新」、「模組刪除機制」、及「形態處理」等，以下將各 別分析以原LFP 作者方法，結合 SCRG 動態建模及更新後，逐步加入各模組後之差異，
而「Kernel 運算」及「形態處理」主要為優化基於紋理特徵之偵測效能，故將另外於後 面小節進行探討，初步結合時，將因破壞原作者之最佳化，故偵測效果將大為降低，但 藉由後續各方法逐步強化，可發現本方法在各模組皆發揮功能後，能有最佳之偵測能 力。其中原作者方法之參數將套用作者建議值，在此不贅述。輸入影像之選擇上，則採 用比較對象LBP、LFP 兩方法作者提供之影像，各取一個較具代表性之影像序列。正確 度高低分析結果將以FN、FP 值為依據，FN 為理想影像中之前景，而實際上被偵測為
背景之像素點數，FP 則為理想影像中之背景，卻被偵測為前景之像素點數，FN 與 FP 之加總結果像徵整體偵測錯誤像素點數。在實驗影像之選擇上，各別選擇一個LBP 及 LFP 作者提供之實驗影像，前者影像序列名為「WavingTrees」，影像數為 249 張且影像 大小為160x120，後者則為「跑」，影像數為 70 張且影像大小為 176x120，而挑選此兩 組實驗影像序列原因在於「WavingTrees」為複雜背景，而「跑」為簡單背景，同時此兩 組實驗具有各類型之常見偵測問題，如物件出現於初始背景中、物件特徵與背景特徵相 似、具移動行為之背景物件等，故此兩組實驗對於各情況之描述力較高。圖十七 (a)為 LBP 作者提供實驗影像、(b)為 LFP 作者使用之影像序列，其中 a、d 為當前欲偵測之影 像，而b、e 皆為該影像序列於初始模組時之影像，而 c、f 為人工定義之偵測結果理想 影像，因此在後續實驗中，將對於偵測結果與理想影像之誤差值進行分析。
(a)偵測目標 (b)初始背景影像 (c)理想影像
(d)原始影像 (e)背景影像 (f)理想影像
圖十七 各影像序列資訊圖 4.2.1 原 LFP 特徵結合 SCRG 動態建模
對於各模組差異之實驗，本研究之LFP-SCRG 參數設定部份，預設值如表四設定，
而其中部份參數將於後續實驗中視需求變更，未特別說明之參數，則給予預設值。首先 將原LFP 特徵結合本研究提出之動態模組來建模，由下表實驗結果可知，在原作者之建 議門檻下，本研究可以在較低之模組數完成偵測，在背景之判斷上效果雷同，FN 數值 較高且FP 數值低可看出本方法物件輪廓面積較細緻且完整度較差，顯示出同條件下本 方法訓練力較高，而因動態建模的關係，使單一像素點之模組數無上限，顯得受到記錄 之資訊量過低，且未使用區塊化特徵及模組刪除機制，處理速度相當差。因原作者於兩 項實驗門檻定義不同，故「跑」之TB、T 與 's T 等則另外預設為 0.8、0.7 及 0.7。 s
表四 模組差異比較預設參數表 方法名稱 LFP-SCRG
r 2 R 6
P 6 n 1
TB 0.7 T w 0
T s 0.8 T s' 0.8
d 0.2 s 1.0
表五 SCRG 動態建模模組與原方法比較表
LBP LFP LFP-SCRG 模組樣式 實驗名稱
FN+FP K FN+FP K FN+FP FPS K WavingTrees 1643 4 1697 4 2998 1.6 0.82 SCRG 動態建模
跑 837 4 506 4 609 1.53 1.03
表六 LFP-SCRG 各模組差異結果比較表 LFP-SCRG 模組樣式 實驗名稱
FN+FP FPS K WavingTrees 2998 1.6 0.82 SCRG 動態建模
跑 609 1.53 1.03 WavingTrees 2926 6.78 2.15 區塊化
跑 471 7.22 1.23 WavingTrees 2134 6.95 1.61 結合 HSV 特徵
跑 457 7.38 1.37 WavingTrees 2112 6.79 1.51 觸發次數權重
跑 457 7.16 1.35 WavingTrees 2088 6.7 1.6 觸發時機權重
跑 497 6.03 1.33 WavingTrees 2580 6.82 1 模組刪除機制 1
跑 1501 6.16 1
跑 569 6.16 1.1 WavingTrees 2092 6.79 1.57 模組刪除機制 3
跑 497 6.23 1.33
模組樣式 LBP LFP LFP-SCRG
SCRG 動態建模
圖十八 SCRG 動態建模結果圖 模組樣式 LFP-SCRG
區塊化
結合 HSV 特徵
觸發次數權重
觸發時機權重
模組刪除機制 1
模組刪除機制 2
模組刪除機制 3
圖十九 LFP-SCRG 各模組之結果圖
4.2.2 區塊化
接著將利用4.2.1 之模組，並將 LFP 特徵區塊化，因輸入影像長寬將縮小為原先之 大之n
1，故在特徵擷取之半徑距離也取原作者相對之 n
1，由結果得知處理速度較未加入
此模組前提升了3 倍以上，在「跑」此類簡單背景中可以有更高之精確度，而因其區域 內特徵受到平均後，部份雜訊將被消除；而複雜背景結果仍然不理想，背景中特徵變化 劇烈之區域內，可能同時包含了物件與背景，此時被均化之區域特徵將使該區塊無法被 明確判別前景、背景。而區塊化之缺點在於物件輪廓較為粗糙，但在本方法中可看出物 件輪廓雖不細緻，但面積仍然維持的很好。因原作者對於r 、R 、n等參數預設為2、6、
1，故本方法定為 1、3、2。
4.2.3 結合 HSV 特徵
從上述實驗可知區塊化之精確度誤差可以被降至最低，而保有較高運算速度，故接 下來之實驗將以區塊化之特徵為基底進行處理，而此階段將加入HSV 色彩特徵，彌補 LFP 紋理在色彩上之不足，而在絕大部份之影像中，背景上之色彩特徵不如 LFP 紋理特 徵穩定，因色彩特徵考慮了亮度V 特徵，故容易受到雜訊干擾，而 LFP 特徵對於陰影、
亮度之變化容忍度較高，故本實驗取較高比例s之LFP 特徵，此實驗將定為 0.8。由數 據得知，模組數之提高，表示多特徵令SCRG 能建立更多樣式之模組，藉以更完整描述 影像資訊，但也因特徵描述更精確，故背景模組能即早建立對應模組，避免後續誤判之 模組進入，故在模組數上並非絕對性的增加，由此證實SCRG 動態建模之精確度。簡單 背景之實驗因色彩變化較和緩，因此影響性低；然而在複雜背景中，可明顯比較出在背 景之訓練及物件特徵與背景相似之處，都有明顯之改善，精確度大為提高；而運算量上，
因HSV 特徵擷取簡單且快速，故對於處理速度上不會有明顯之影響。s將定為0.8，而
「WavingTrees」之T 與 's T 皆修改為 0.65。 s 4.2.4 觸發次數權重模組
此部份將單純以觸發次數之權重模組取代原LBP 作者之權重法，由結果得知此方
能有些微提高。
4.2.5 觸發次數結合觸發時機權重模組
因單純以觸發次數無法突顯影像特徵與時間、位置關系之重要性，故再加入觸發時 機補足，此實驗觸發時機參數L 定為 3。在簡單背景中因為同時存在兩種權重機制互相 制衡，反而通用門檻之下精確度稍稍下降；而複雜背景精確度則因模組資訊更趨完整而 稍微提升，而運算速度不受新增機制影響。
4.2.6 模組刪除機制
在本實驗中將依各模組權重門檻在每個像素點偵測完後，決定是否刪除重要性過低 之模組。在各門檻之比較下，發現刪除機制除了明顯反應在平均模組數上，同時刪除門 檻越鬆，則模組數越高、運算速度些微上升、但精確度可能導致些微下降，而當T 越趨w 近於1，則模組越趨近於單模組，而成為動態多模組中的特殊例子，因此模組刪除機制 真正影響反應在模組數，在運算速度與精確度上之影響不明顯，故適當的模組刪除門檻 可以令背景模組的分配更為精確而更具效率，模組數量之選擇上將不再局限於模組數之 型態，而能智能的增減。此部份之三次實驗之T 分別為 0.1、0.01、0.001，依照不同的w 門檻觀察模組刪除機制之效果，可發現當Tw 0.001時，模組的效能控管達到最高，且 FN+FP 獲得收斂，故本研究定義模組權重低於 0.001 時為極小，並可將其刪除。