《監(jiān)視系統(tǒng)物件切割與陰影偵測-東海大學資訊工程學系》由會員分享，可在線閱讀，更多相關(guān)《監(jiān)視系統(tǒng)物件切割與陰影偵測-東海大學資訊工程學系（32頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、 東海大學 資訊工程與科學系 專題成果 監(jiān)視系統(tǒng)之物件切割與陰影偵測 Object Segmentation and Shadow Detection for Surveillance System 指導老師：林正基教授 學生： 942916 陳俊廷 942960 何乃如 942922 王京郁 中華民國九十七年十二月

2、 i Abstract 本專題研究是針對監(jiān)視系統(tǒng)所錄下的影片來做處理 ，首先是將來源影片分析 成連續(xù)的單張影像，再針對單張影像來做後續(xù)的處理，包含影片轉(zhuǎn)換圖像的存 取、利用色彩系統(tǒng)轉(zhuǎn)成灰階影像的處理、像素變動差值之門檻值的設(shè)定，文中也 針對色彩系統(tǒng)作簡單的介紹；在這次的研究中，我們採用 YUV 的色彩系統(tǒng)來作 為所有處理的基本架構(gòu)，利用背景相減法，選取適當?shù)拈T檻值，取得初步的物件 與背景資訊，後續(xù)利用 UV 資訊，對於影像中光影的連續(xù)和不連續(xù)性所造成的影 響，來

3、處理物件陰影的偵測與去除，再使用 morphological algorithm 來改善因為 陰影偵測衍生出來的破碎畫面的問題，也使物件影像更加完整，最後整個演算法 在 Borland C++ Builder 6.0 的平臺來實現(xiàn)。 ii Index 1. Introduct

4、ion ....................................................... 1 1.1 Motivation ........................................................... 1 1.2 Goal..................................................................... 1 2. Related Work and Background.......................... 2 2.1

5、RGB color space.................................................. 2 2.2 YUV color space ................................................. 3 2.2.1 U-V plane projection method ............................. 4 2.3 pixel-based .......................................................... 5

6、3. System Architecture........................................... 6 4. Proposal method ................................................ 8 4.1 Segmentation....................................................... 8 4.2 Shadow elimination........................................... 10 4

7、.3 Morphology ....................................................... 13 5. Simulation Result ............................................ 17 6. Conclusion ....................................................... 19 7. References ....................................................... 20

8、 iii 圖表目錄 2-1 : 2 2-2 : 3 2-3 : UV 4 2-4 : 5 3-1 : 7 4-1:.8 4-2 :segmentation...10 4-3 : segmentation 10 4-4 : YUV RGB 11 4-5 12 4-6 : Morphology 13 4-7 : Dilation 14 4-8 : Erosion 14 4-9 : opening 15 4-10 : closing

9、 15 4-11 : Dilation.16 4-12 : Erosion.16 4-13 17 5-A : Borland C++ Builder 18 5-B : 18 5-C : 18 5-D : UV 18 5-E : 19 方程式目錄 2-1 .4 4-1 .9 iv 1. Introduction 1.1 Motivation 隨著科技的發(fā)展，資訊的

10、日新月異，電腦運算的能力越來越強大，影像技術(shù)的發(fā)展越來越成熟；資料儲存設(shè)備的價格日趨降低，光學取像設(shè)備的逐漸普及，加上人工智慧技術(shù)日益成熟，使得視訊監(jiān)控系統(tǒng)成為近年來大家所重視的項目。 在過去資訊科技尚不發(fā)達的時代 ，監(jiān)控環(huán)境的系統(tǒng)主要依賴閉路電視系統(tǒng)和人力來監(jiān)視環(huán)境 。故此種系統(tǒng)只能提供事後的錄影存證功能或要求人力注視於監(jiān)視螢幕。前者只能提供事後的資訊，並不能及時提出偵測的資訊或於第一時間發(fā)出警告；後者的方式，系統(tǒng)的運作完全依賴人類感官的判斷，而會受到人類精神和感官疲累的影響，而有出錯或遺漏的可能性。 因此，近年來促成了智慧型視訊監(jiān)控系統(tǒng)的發(fā)展；它是一種利用電腦視覺的方法，在不需

11、要人為的操作之下，自動對攝影機所擷取的影像進行分析，進而對目標物進行偵測、追蹤、辨識和行為分析，如此一來若是有物品遺失，或者疑似爆裂物的放置就會被偵測出來並且發(fā)出警告 ，因此可以大幅地減少人力的浪費以及增加成本效益。 智慧型視訊監(jiān)控系統(tǒng)除了一般的監(jiān)視功能之外，還要有自動偵測，自動辨識，自動警示等功能。配合現(xiàn)今之網(wǎng)路技術(shù)，能使監(jiān)控範圍更加廣大，監(jiān)控成本 更加降低，操作環(huán)境更加便利 。視訊監(jiān)控系統(tǒng)的應用範圍非常廣泛 ，舉凡停車場、智慧型運輸系統(tǒng)〔 ITS〕、公共場所、軍事應用、商業(yè)環(huán)境、社會照顧、交通資訊統(tǒng)計、核能安全、地區(qū)治安等，都是非常有潛力的發(fā)展項目。尤其隨著犯罪率 的上升

12、，治安方面的需求更是強烈，所以世界各國無不把視訊監(jiān)控技術(shù)列為重要的研究課題。 1.2 Goal 經(jīng)過多年的發(fā)展，智慧型視訊監(jiān)控系統(tǒng)已逐步成型，而我們將著重在以移 動物體為主要目標的偵測；根據(jù)像素變化初步分辨物件與背景資訊，再利用色彩 系統(tǒng)的特性與比較，配合適當?shù)难菟惴?，排除外在因素的影響；最後針對實驗? 階段性結(jié)果，去除不必要的雜訊並填補空洞，顯示出最佳的物件切割成果；並且 使得系統(tǒng)能快速而且正確的分析追蹤在屏幕出現(xiàn)的物件、降低人力資源的浪費， 1 提高安全系統(tǒng)的確保性；並針對影片中出現(xiàn)的異常物件加以區(qū)隔，助於分辨

13、背景 和物件的變化及對應關(guān)係。 2. Related Work and Background 要談到即時的監(jiān)控系統(tǒng)，那相對的就會有影像的輸出，而我們通常見到的監(jiān) 視器錄影影像色彩和實際上肉眼所見的色彩多少都有些差異 ，這可能跟監(jiān)視器所 在位置的光線、外在環(huán)境光影的變化有關(guān)，所以首先我們先針對色彩系統(tǒng)來做說 明。 2.1 RGB color space RGB 色彩空間是我們最常見的色彩系統(tǒng)， R表示紅色 ( Red) 、 G表示綠色 ( Green) 而B表示為藍色 ( Blue) ，即為色彩的基本三原色，透

14、過三原色的強度組合 可以搭配出各式各種的顏色。以數(shù)位影像而言， R、G、B 分別以 8位元 ( bits) 表 8 8 示，也就是單一原色 2 的層次變化 ( 256種變化 ) ，因此三原色可以組合表現(xiàn)出 2 2828 ＝ 224 ＝ 1677216 ≒ 1677萬種顏色。對於 RGB色彩空間而言，任何一張 彩色影像都可以基本解析為三張獨立的三原色影像 ，( 如圖 2-1所示 )，也就是說， 當這三張平面色彩組合在一起時，即可構(gòu)成一張彩色影像。

15、 圖 2-1 : 色彩平面 一般來說，大部分的使用者將 RGB色彩空間強度分佈以色彩正方體模型來表 2 示，其三原色強度範圍分別為 0~255，( 如圖 2-2所示 ) 。 R、 G、B 分別表示該座 標軸的三個頂點 ( 255,0,0) 、( 0,255,0) 、( 0,0,255) ，原點表示黑色，三軸的交會頂 點為 ( 255,255,255) 表示為白色，而黑色到白色之間的直線則表示為灰階的變化 ( Gray scale) ，其他的色彩則以三原色相互混合

16、而得。 但是當需要將影像做解析處理時 ，由於三原色色彩空間是非線性且具有強烈 的關(guān)連性，對於影像本身以外的變化干擾十分敏感，尤其是陰影的部分，所以在 本研究專題中對影像資料作解析時，為了色彩特徵辨識的準確性，我們選擇以 YUV 的色彩空間直接分析影像資料，而不使用 RGB系統(tǒng)。 B White Gray Black scale G R 圖 2-2 : 色彩正方體表示圖 2.2 YUV color space YUV 色

17、彩空間是歐洲電視系統(tǒng) PAL ( Phase Alteration Line) 中的色差訊號的 通稱，包含數(shù)位色差 ( Y,Cr,Cb) 及類比色差 ( Y,Pr,Pb) 的訊號都統(tǒng)稱為 YUV ，所採 用的色彩空間，該視訊傳送規(guī)格為每張圖像有 625條掃描線構(gòu)成，每秒需傳送 25 張圖像。該色彩空間中， Y 代表亮度向量， U和 V 為色差向量，分別表示去除亮 度後的紅色和藍色，當 U和 V 皆為零時，也就是說其 R、G、B三原色信號相等， 僅剩 Y表示黑白灰階色彩，因此 YUV 色彩空間對於光源對色彩影響時，可以獨立 將彩度

18、取出分析 。YUV 色彩空間和 RGB色彩空間之間的關(guān)係式如方程式 2-1所示： 3 Y ＝ 0.299*R + 0.587*G + 0.114*B U ＝ -0.147*R - 0.289*G + 0.436*B V ＝ 0.615*R - 0.515*G - 0.100*B 方程式 2-1 色彩學中，為了可以準確定量的描述顏色，將色彩定義為三大屬性。在色彩 明暗的區(qū)別上，以亮度 ( Luminance) 表示；在色彩的濃淡上，我們稱之為彩度 ( Chrominance) ，為了表示彩度，

19、必須細分為色相 ( Hue) 與飽和度 ( Saturation) ，以 YUV 色彩空間來說，其實 Y 值相當於為黑白灰階影像，除去亮度訊號後，由 U 與 V單純表現(xiàn)出彩度。因此如果要將 U與V 色差訊號以色相、飽和度來表示的話，必須從含有三維空間的色點 P投影至 U-V 平面的 P’點，才能清楚的表示， ( 如圖 2-3 所示 ) ，但是 U-V 平面投影法在影像資料受到不穩(wěn)定光源亮度的擾動時，對於目 標色塊有較大的精確性且不易辨識錯誤，但是當光源色溫變化過大時，其飽和度 和色相的增減變化就較不易掌握。 P P’

20、 圖 2-3 : UV 平面投影表示 因此如果需要判定兩個任意色點是否為同一彩度時 ，必須確定其色相與飽和 度是相等的 ( 見圖 2-4) ，當 a1 ＝ a2 時，表示該色彩的色相相等；當 p1 ＝ p2 時，表示該色彩的飽和度相等，兩者皆相等時則表示此二色點是相同的彩度。由 此我們可以歸納一個結(jié)果，對於光源亮度的不穩(wěn)定因素來說，當光源亮度不是極 值時 ( 極亮或極暗 )，只要是相似色彩 ，如粉紅色和紅色 ，就具有相近的彩度關(guān)係。 4 因此利用此特性，可以

21、更利於我們在不穩(wěn)定光源中，準確的搜尋目標色塊。 R  V p1 a1 p2 Y a2 U B G 圖 2-4 : 色相與飽和度向量表示 2.3 pixel-based 在處理影像過程中，從影像中找出存在於影像中物體的特徵，並且進行分析 分類、辨識與描述出此影像的技術(shù)，稱之為影像分類。早期進行遙測影像數(shù)位處 理時，在影像分析時的影像切割 ( Image Segment) 方式多採取像素 ( Pixel-based) 的方式，將地表事物切割成一

22、格格的獨立像素來處理，每一個獨立像素經(jīng)過影像 分類後擁有自己的特徵類別；但實際上，我們的世界並不是如此規(guī)律的，而是由 許多大小不同的空間事物所組成，而且這些事物都是獨立完整的個體，例如房 子、樹。且隨著高空間解像力影像的進步，相鄰近兩像素之間的相關(guān)性變得更加 的密切，甚至可說這兩相鄰像素是相同的，所以，我們更應該把圖像視為一個個 大小不一的物件來處理，在這樣的趨勢之下注重鄰近像素彼此之間的關(guān)係，也就 發(fā)展出以物件的概念來進行影像處理 ，而此種物件導向式影像處理的基本原理是 將原始影像加以切割成大小不一的物件，並且在此物件基礎(chǔ)

23、上進行影像處理。 5 3. System Architecture Start video input Read RGB→YUV If i = 0 Yes store into PicArray_BG No store into PicArray_Y A. Segmentation Yes |PicArray_B

24、G- No PicArray_M=1 PicArray_Y| >15 PicArray_M=0 Combine PicArray_M Morphological processing B. Morphology Yes Pixel=0 background No object(with shadow) 6 No Y < Ymi

25、n object C. Shadow elimination Yes Yes U < V No Yes V < ε U <ε No No U / V <Δα No No V / U <Δα Yes Yes shadow object shadow 圖 3-1 : 程式流程圖 此圖 ( 圖 3-1) 是本專題研究的細部程式流程圖，主要分成 part. A 、 part. B、 part. C 三部分。 part.

26、A 為 segmentation，主要功能為將影像二值化並將背景與物 件分割。圖中 PicArray_BG 和 PicArray_Y 是用來儲存影像中的各點 pixel 的 Y 值，也就是經(jīng)由方程式 2-1 轉(zhuǎn)換所得到的值，而 PicArray_BG 是用來儲存影片中背景影像的 pixel 值、 PicArray_Y 是用來儲存正讀取到的影像 pixel 值， PicArray_M 則用來儲存兩者的差值 ( | PicArray_BG - PicArray_Y | )，並轉(zhuǎn)換為二值化數(shù)值，因 此在 PicArray_M 這個矩陣中儲存的資料矩陣均為二值化數(shù)值，方便實驗結(jié)果影

27、 像的顯示以及後續(xù)的陰影去除、影像破碎處理。 part. B 為 morphology，主要功 能為去除雜訊、修補物件殘缺、處理影像破碎的問題，其細部的運算方法說明， 會在下一章節(jié)中做詳細的介紹。 part. C 為 shadow elimination，主要功能為偵測 7 物件陰影並去除、降低陰影誤判對實驗結(jié)果的影響，圖中 Y ＝ | Yc-Yb |、 U ＝ | Uc-Ub | 、 V ＝ | Vc-Vb | 分別代表的是經(jīng)由方程式 2-1 轉(zhuǎn)換後，每張正讀 取到影像 ( Xc) 的 pixel 的 Y

28、 、U、 V 值和背景影像 ( Xb) 的 Y 、U、 V 差值，用來 作為判斷是否為物件或陰影的依據(jù)； Ymin 是用來判斷是否為陰影的條件之一， 我們將 Ymin 的值設(shè)為 30，並與 Y 作判斷比較，數(shù)值大小的設(shè)定與結(jié)果的判 定以及各部份的細部說明，我們將在下一個章節(jié) ( 4. Proposal method) 中深入的 探討。 4. Proposal method 首先我們的目標和演算法都是建立在單張影像上面，分別對單張影像來做 處理，因此首要步驟便是將影片切割成連續(xù)的單張影像來處理，這個部分由於我 們的開

29、發(fā)環(huán)境為 Borland C++ Builder 6 ，此軟體內(nèi)建有分析影片的函式，因此可 以直接套用，利於我們影像實驗的執(zhí)行。而 我們所提出的演算法流程如圖 ( 圖 4-1) 所示：  Video 4.1 Segmentation 關(guān)於視訊物件分割的演算法種類相當多， 而這些方法都是為了找出一種最可行、效果最 好的視訊物件分割演算，普遍廣為使用的有以 下幾種方法，在此作一個簡單的介紹： 1. change detection-based segmentation：此方法為設(shè)定一個

30、 global threshold value，用來判斷連續(xù)兩張影像（ frame）間的變化，而 threshold 的選擇是憑經(jīng)驗的根據(jù) false alarm rate 來決定，此方法的缺點為不能正確判別視訊物件中 covered 和 uncovered背景。 2. morphological segmentation：關(guān)於連續(xù)兩張  Segmentation Shadow elimination Morphology No The processing conform with

31、the real or not Yes Result 圖 4-1:演算法流程圖 8 frame 之間的變化，另外一種方法為 morphological segmentation。以上兩種方 法為利用時間上的資訊來追蹤為利用數(shù)學上形態(tài)學運算的特性來有效達成視 訊物件分割的目的，如有效的處理一些幾何學上的特徵如大小，形狀，對比 和連接的線條等，這些特徵的處裡正可表現(xiàn)出物件的雛形。然而由形態(tài)學所 定義分割出的區(qū)塊可能和我們所要求的物件區(qū)塊還有一段差距。 3. m

32、otion-based segmentation：在此方法中，藉由一組一致的動作和位置參數(shù) 來定義一個可分割出的區(qū)域 ，這些參數(shù)是經(jīng)由空間和時間上每個 pixel 色度值的改變所估計出的，可解決在 change detection-based segmentation的問題。 這項處理的目標是預計要初步的將物件和背景分離 ，我們主要是利用背景相減的方法來獲得，在目前影像處理的應用中，背景相減法依然是最直觀且有效的變動偵測方式，但是相對的此方法的使用受限於某些條件，例如：光照的變化、背景的更新 等等，但是若忽略這些外在因素的考量，單就物件及背景的區(qū)隔，這的確是一個簡單而有效的

33、方法。 我們在做 segmentation之前，還有一個前置的動作，那就是影像的二值化；先將影像的色彩系統(tǒng)，藉由公式 ( 方程式 2-1) ，從 RGB 系統(tǒng)轉(zhuǎn)換成 YUV 系統(tǒng)；然後取其 Y 值來做背景相減的依據(jù)，我們將每個 pixel 經(jīng)由轉(zhuǎn)換的 Y 值，在相減之後的值存入和影像大小相符的陣列中，以便後續(xù)的相關(guān)處理。 取得正在讀取中的影像與背景影像相減的 Y 值，而我們將依據(jù)這些差值，作為判定轉(zhuǎn)換為二值化影像 ( Binary image) 的根據(jù)，公式如下 ( 方程式 4-1) ： 1 if | Y(x,y,t i)-Y(x,y,t 0) | > T di0(x

34、, y)= { 0 otherwise 方程式 4-1 其中 di0 ( x, y) 表示影像中各點 pixel 的座標位置，Y ( x, y, ti ) 代表目前影像 ( 正 在被讀取的影像第 i 張) pixel 的 Y 值， Y ( x, y, t0) 代表背景影像 pixel 的 Y 值； 我們將兩者的差值用來和門檻值 T 做比較，經(jīng)過多次的測試我們得到如果將門 9 檻值設(shè)為 15，將會獲得最佳的效果；因此，我們將絕對值 15 作為分水嶺，差值 大於 15 以上的，視為變動的部分

35、，即物件，並將它設(shè)定為 1，以白色的方式顯 現(xiàn)出來；差值小於 15 以下的，僅產(chǎn)生微小差異的像素，即背景；並將它設(shè)定為 0，以黑色的方式呈現(xiàn)，然後放進同一個陣列當中顯示，成為一張二值化影像。 經(jīng)過這段的處理之後，顯示出來的影像已經(jīng)大略可以看出物件和背景的區(qū) 別，而且二值化的顯示方式 ，更是讓整個影像看起來更加的一目了然 。( 見圖 4-2) 圖 4-2 : 上圖左方為原始影像，右方為 segmentation 處理後的影像 4.2

36、 Shadow elimination 在移動物件偵測的過程中，常受到物件遮蔽或光線所造成的陰影干擾，而這 些陰影將會對偵測的結(jié)果產(chǎn)生不良的影響，尤其在背景相減法的實作中，陰影將 會直接被視為物件的本體 ，如此一來，便會造成物件範圍的誤判 。如圖 4-3 所示： 圖 4-3 : segmentation 所造成的誤判情形 10 因此，為了解決此問題，我們針對經(jīng)由 RGB 色彩系統(tǒng)轉(zhuǎn)換後的

37、 YUV 色彩 系統(tǒng)所提供的 UV 資訊來做處理 ，原理是利用陰影像素點的色調(diào)和飽和度與背景 的像素點色差雖然相似，但是陰影像素點的明亮度卻會低於背景像素點來偵測。 如圖 4-4所示，當我們以亮度為 Z軸、色調(diào)為 X軸與飽和度為 Y軸所形成的錐 體，發(fā)現(xiàn)越往上方尖錐的部分越白，越往下方尖錐則越黑；因為畫面色調(diào)及飽和 度的不同，造成轉(zhuǎn)換二值化處理時仍然有會有差異，因此在這個部分將針對經(jīng)由 二值化轉(zhuǎn)換所造成的誤判情形加以修正 ，使用陰影偵測進一步的來做物件與陰影 區(qū)隔的判斷。

38、 圖 4-4 : YUV 色彩系統(tǒng)與 RGB 色彩系統(tǒng)的關(guān)係向量圖 經(jīng)由測試，將目前影像的Ｙ值與背景影像的Ｙ值相減，即 Y；一但 Y 大 於臨界值 Ymin ，表示像素差異較大，可能為變動成分，因此將它判定為物件的 一部分；若否，則取其經(jīng)由 RGB 色彩系統(tǒng)轉(zhuǎn)換成 YUV 色彩系統(tǒng)中的 UV 值， 作 U 是否小於 V 的判斷， ( 註： Uc、 Vc 代表目前偵測的 UV 影像值； Ub、 Vb 代表背景偵測的 UV

39、影像值 ) ，如果成立的話，表示可能是屬於陰影的部分， 因此再作 V 是否小於ε的比較，由於ε設(shè)定的值相當小，如果再次成立的話， 表示兩張影像的飽和度相近，便視為陰影；若 U 不小於 V 則做 U 是否小於 11 ε的判斷，若成立表示兩張影像的色相相似，則視為陰影；再者，當 V < ε的 判斷不成立時，則須再做 U / V 的運算，代表的是一個 arctan 值，並判斷其 值是否小於 Δα，如果成立代表此兩張影像的色相與飽和度非常相似，因此我們 便可將它視為陰影，若不成立則視為物件； U <ε是否

40、成立的判斷也是類似的 情形，如果不成立的話，將再做 V / U 此 arctan 值是否小於 Δα的判斷，如 果判斷成立，則視為陰影；若不成立表示其色相與飽和度的差異度較大，因此則 視為物件。在此比較運算中 U 、 V 何者作為分母是按照其差值大小來決定， 將數(shù)值較大者作為分母，用來和 Δα做比較。 圖 4-5 即為經(jīng)過 UV 偵測法而去除陰影，以及只經(jīng)過 segmentation處理的影 像，相互比較的結(jié)果。由比較的結(jié)果可發(fā)現(xiàn) shadow detection algorithm的確有效 的減少了陰影對於物件本體的干擾。

41、 圖 4-5 : 左半部為 segmentation 的結(jié)果，右半部為經(jīng)過 shadow elimination 改進的結(jié)果 12 4.3 Morphology 我們這裡所指的型態(tài)學 ( Morphology) 是針對數(shù)學形式來介紹，簡單的說，它 就是集合理論；在形態(tài)學中最常使用的

42、就是膨脹 ( Dilation ) 和侵蝕 ( Erosion) 。它是利用一個 structuring element 來跟圖形作邏輯運算，例如 AND 、OR 等等，如下圖所示 ( 圖 4-6)，以這些運算為基礎(chǔ)，便形成 Dilation 跟 Erosion 的基本運算架構(gòu)。

43、 圖 4-6 : Morphology 的各種運算與結(jié)果 13 膨脹為形態(tài)學上最基本的運算元之一。假定在一平面中，有 A 、 B 兩個影 像，如圖 4-7 所示，則 A、 B 的膨脹演算定義為：將影像 B 設(shè)為一遮罩，當影像 B 沿著影像 A 由左上到右下掃描時，若在遮罩鄰域範圍內(nèi)有任何像素點其二值 化的值為 1 時，則將影像 A 之遮罩內(nèi)中心點設(shè)定為 1，否則為 0。A 將根據(jù) B 的 形狀，擴增與遮罩的鄰域範圍，因為 A 、B 皆為正方形，若 B 邊長為 d/4 單位， 則經(jīng)過 Dila

44、tion 運算的 A 將會每邊增加 2 個 d/8 單位的長度，也總是總長增加了 2* ( d/8) 個單位長度，如圖 4-7 所示： 圖 4-7 : Dilation 運算情形表示 侵蝕也是形態(tài)學上的另一種運算元。假定在一平面中，有 A 、B 兩個影像， 如圖 4-8 所示，則 A、B 的侵蝕演算定義為：將影像 B 設(shè)為一遮罩，當影像 B 沿 著影像 A 由左上到右下掃描時，若在遮罩鄰域範圍內(nèi)有任何像素點其二值化的 值為 0 時，則將影像 A 之遮罩

45、內(nèi)中心點設(shè)定為 0，否則為 1。A 將根據(jù) B 的形狀， 縮減與遮罩的鄰域範圍，因為 A、 B 皆為正方形，若 B 邊長為 d/4 單位，則經(jīng)過 Erosion 運算的 A 將會每邊減少 2 個 d/8 單位的長度，也總是總長減少了 2* ( d/8) 個單位長度如圖 4-8 所示： 圖 4-8 : Erosion 運算情形表示 具備以上概念之後，將介紹實際操作所運用的 Opening 和 Closing method； 14

46、 Opening 是被廣泛使用來消去圖片中的突起或是將不必要的細連結(jié)線消除， Opening 的作法一樣先利用一遮罩，對目標先做一次 erosion 使其邊緣輪廓根據(jù) 遮罩形狀縮減一些，同時去除不必要的雜訊如細線，再根據(jù)遮罩對目標做一次 dilation，使目標膨脹回到與原本較相似的狀態(tài) ，藉此來去除雜訊 ，如圖 4-9 所示： 圖 4-9 : opening 示意圖 而相對的 Closing 則是被應用在連接斷點、消除空

47、洞並填補空隙， Closing 的 作法是取一遮罩，先對目標做一次 dilation 使其邊緣輪廓根據(jù)遮罩形狀膨脹一 些，藉此填補空洞，降低雜訊對目標的影響，再根據(jù)遮罩對目標做一次 erosion， 使目標縮減回到與原本相似的狀態(tài)，藉此來填補殘缺，減少雜訊影響產(chǎn)生的空 隙，如圖 4-10 所示： 圖 4-10 : closing 示意圖 15 因此，我們藉由以上方法，針對經(jīng)過

48、UV 偵測的影像且去除陰影的影像來做 除雜訊的處理，先前所介紹的 structuring element範例皆為正方形，這是為了方 便解釋它的運算過程 ，所以實際應用上，並不一定都會使用如此方正的 structuring element 來做運算，通常需要視擷取出的物件型態(tài)來做選擇 structuring element形 狀的根據(jù)，在本專題實驗中，由於大部分的首要處理是去除雜訊，而這些雜訊通 常為細微影像，所以我們先針對影像做 Opening 的處理，藉此除掉不必要的細微 雜訊，再針對剩餘的物件本體部分作修補的工作，選擇 Closi

49、ng 的處理，使物件 因為在經(jīng)過 UV 偵測去除陰影後，所產(chǎn)生的空缺及邊緣的破碎加以填補；在這幾 項的處理中，我們都選取以菱形的 structuring element 來運作，示意圖如下 ( 圖 4-11、圖 4-12) ： 圖 4-11 : Dilation 圖 4-12 : Erosion 而經(jīng)過 morphological method 處理的實驗結(jié)果如下圖 4-13 所示，由比較圖 中，我們可以很清楚的發(fā)現(xiàn)，因為 segmentation所產(chǎn)生的細微雜訊以及

50、shadow elimination 所產(chǎn)生的不良影響，在經(jīng)過這次的處理後，對於物件本體的干擾，大 幅度的被加以改善了： 16 圖 4-13 : 左半部為

51、 segmentation＋ shadow elimination 的結(jié)果，右半部為加入了 morphological method 處理的比較圖 由上面這個實驗結(jié)果的比較圖可知， morphological method 確實有效的將雜 訊去除，且有效的填補物件破碎與空洞。 5. Simulation Result 關(guān)於本實驗的 電腦硬體設(shè)備如下： ?Intel(R) Pentium(R) 4 CPU 3.00GHz ?512 MB RAM ?120 GB HardDisk ?Operation System

52、: Microsoft Windows XP SP3 17 實驗用的影片資訊如下： ?Format : AVI ?Format/Info : Audio Video Interleave ?Format/Family : RIFF ?File size : 87.0 MiB ?PlayTime : 12s ?Bit rate : 61 Mbps ?Codec : RGB ?Width : 352 pixels . Height : 288 pixels ?Frame rat

53、e : 25.000 fps ?Resolution : 24 bits 下圖為實驗各個階段的結(jié)果比較圖 ，從 5-A 圖與 5-B 圖可看出原始影像與灰階影像之間的差異；而經(jīng)過陰影偵測處理的比較圖如 5-C、5-D 所示， 5-C 是只經(jīng)過 segmentation的結(jié)果，而 5-D 為經(jīng)過 shadow elimination 處理的結(jié)果，由此比較圖可以發(fā)現(xiàn)，在經(jīng)過陰影去除後，物件判讀的正確性，的確相對的提高了。 5-A 5-B

54、 5-C 5-D 圖 5-A : 原始影片經(jīng) Borland C++ Builder 分析出來的影像 圖 5-B : 原始影像經(jīng)過色彩系統(tǒng)轉(zhuǎn)換所呈現(xiàn)的灰階影像 圖 5-C : 直接作背景相減尚未經(jīng)過其他處理的二值化影像 圖 5-D : 經(jīng)過 UV 偵測，去除陰影的二值化影像 18 而程式執(zhí)行畫面如下所示：

55、 圖 5-E : 程式執(zhí)行畫面 6. Conclusion 在這個實作結(jié)果當中 ，我們發(fā)現(xiàn)這個演算法可以有效地切割出移動物件與背景。在偵測過程中，發(fā)現(xiàn)此演算法也可以去除大部份的陰影和雜訊，但是因為我 們的實驗方法是固定以第一張影像當作背景影像來做背景相減 method 的運算，用來判斷後續(xù)的影像中是否產(chǎn)生移動物件 ，對於之後背景環(huán)境的改變沒有辦法即時更新，導致門檻值判斷無法準確。 而 shadow elimination 的處理，雖然有效的去除物件陰影的部分，使得圈選的物件範圍更加的確實，但是相對的也造成物件本體的破碎與殘缺，因此我們利用 morphol

56、ogical method 的處理來改善，其中 closing 與 opening 的方法改善了雜訊干擾並且填補破碎物件，從實驗結(jié)果中可以發(fā)現(xiàn)，絶大多數(shù)的細微雜訊皆可有效的去除，完整的保留主要移動物件的區(qū)塊，並且發(fā)現(xiàn)此方法可以有效填補大部份的破碎物件區(qū)塊，但對於較大的破碎物件區(qū)塊則無法填補完整。從實驗結(jié)果中顯示，此方法達到我們預期的效果。 19 未來展望的部分，除了針對目前的實驗結(jié)果，修正演算法增進效率外，也希 望能利用不同的演算法，更完整的取出物件資訊，例如即時的背景更新方法，同 時也更進一步的改善物件殘缺情形，對於破碎區(qū)塊的填

57、補能獲得更佳的效果，使 得陰影偵測的效果更加的顯著。 7. References [1] Rafael C. Gonzalez, Richard E. Woods ,“Digital Image Processing”Proc. Second Edition, Prentice Hall, 2002. [2] Ingo Feldmann, Serap Askar, Nicole Brandenburg, Peter Kauff, Oliver Schreer, “Real-Time Segmentation For Advanced Disp

58、arity Estimation In Immersive Videoconference Applications” , Heinrich-Hertz-Institut, Berlin, Einsteinufer 37,10587. [3] Yung-Chin Lin, “Human Gait Classification Using Compressed Video Data” [4] Jen-Hung Chang, “Object Detection for Surveillance System and Vehicle Detection and Indexing for Traffic Video” , Institute of the Department of Electrical Engineering National Yunlin University of Science and Technology, July 2004. 20