On-line 人與非人之偵測

在本實驗中，我們選用國立交通大學校內的幾個地方作為實驗的場景。本 實驗使用的硬體設備為 Pentium 4 CPU 2.60Hz，作業系統為 Microsoft Windows XP。本實驗主要的軟體開發平台為 Borland C++ 6.0，除了求取特徵向量的部份 是用 MATLAB 7.0，以及倒傳遞類神經網路的訓練是用 Visual C++ 6.0 的部份完 成的。我們將攝影機架設在交通大學學校內部的幾個場景，如圖 5-1 所示。此實 驗系統可以分辨在畫面中的人與非人之情況，並且進一步加以計數。

圖. 5-1 : 觀測場景

首先，我們在每個場景中錄製一段影片，將此影片檔以每秒 30 個畫格的方

式讀進檔案中。選定一個空景為背景之後，以時間差異法擷取其中的移動物體，

再經過一些平滑濾波、連通成份的處理之後，正規化每個符合條件的個別物體影 像至 100×50 的標準大小，之後與主成份矩陣相乘，得到此影像的全域特徵向量 後，再與權重矩陣做相乘，於是得到一個 1×2 的輸出矩陣。

在此實驗中，我們將與前景與背景之灰階值差異大於 35 取出，而經過連通 成份處理後的影像大小必須大於 1000 這個門檻值才會被取出，做接下來的判斷 動作。判斷為「人」的門檻值設為[0.1 0.9]。

此程式的執行界面如圖 5-2 所示，我們將其作一基本的介紹。

Region 1：此區域顯示原始的影像。在此區域當中，會有紅色及藍色的矩形 將移動物件框架出來。藍色的表示被判定為「非人」的物體，紅 色的表示被判定為「人」的物體。

Region 2：利用時間差異法及經過均值平滑濾波器處理後的結果會顯示在此 區域。為了方便起見，此區域只用紅色的矩形框出判定為人的移 動物體。

Region 3：被判定為「人」的物體經過正規化成 100×50 之影像會顯示在此 區域。

Region 4：此區域的最上方顯示了移動物體的總數，判定為「人」及「非人」

之個數。Detection Size 的地方表示了經過連通處理的移動物體影 像必須大於此值，才會做接下來判斷的動作。

在 Noise Elimination 的地方，我們都將其設定在「Average」之處，也就是 都利用之前所敘述的均值平滑濾波器作一雜訊消除的動作。

圖. 5-2 : 程式執行介面

在我們所觀測的場景當中，人的影像包含了不同樣式的衣著、不同性別、

行走的姿勢與方向、背著背包或是提著手提包的情況。而非人的影像則包含了 狗、移動的樹葉、球以及車輛。

圖 5-3 說明了當一個畫面中有人與非人的物體同時存在的話，本系統可以將 其做適當的分類判別。在圖中，我們有一個人以側面由左到右行走，有一台車也 是從左方到右方開過。於是，在系統上就會顯示出有兩個移動物體在畫面當中。

其中人的部份用紅色的矩形框住，車子用藍色的矩形框住。而在 Region 2 的地 方，就只有判定為「人」的移動物體用紅色的矩形框住。在 Region 4 的地方，

顯示了判定為人的影像經過正規化處理之後的情形。

圖. 5-3 : 人與車的判別情形

同樣的，對於人以不同的方向行走，也能正確的判斷。在圖 5-4 中，兩個人 從不同的方向走來，系統判別的結果也是正確的。圖 5-5 裡，有一個人手拿著雨 傘，另外一個人則是背著背包，在我們的實驗結果中，也能夠正確的判別出來。

圖. 5-4 : 人以不同方向行走

圖. 5-5: 人背著背包與提著物品

圖 5-6 中，左方的樹葉搖晃的很劇烈，於是在經過時間差異法以及均值濾

波器的處理之後仍舊不能完全消去其雜訊，造成畫面中人與非人的個數皆超過一 個，但是個別移動物體的正規化圖形經過與主成份還有權重矩陣相乘之後，得到 的判別結果仍是正確的。

圖. 5-6: 多人與非人的移動物體

但本實驗系統對於兩種情況的發生，則會有誤判的情形發生。一種適當兩 個移動物體過於靠近時，另外一種則是有遮蔽的情況發生。圖 5-7 中，兩位正面 行走的人因為過於靠近，使得背包的部份在我們的技術處理中連在一起，所以被 當成同一個移動物體，於是有誤判的情況發生。圖 5-8 和圖 5-9 則是說明當遮蔽 發生時，本實驗系統所判斷的情況。圖 5-8 發生遮蔽時，其結果被判斷成非人。

而圖 5-9 則被判斷成人。

圖. 5-7: 誤判（一）移動物體過於靠近

圖. 5-8: 誤判（二）遮蔽情況判為非人

圖. 5-9: 誤判（三）遮蔽情況判為人