臺灣博碩士論文加值系統

近幾年移動物件辨識和偵測一直為許多學者的研究議題，所使用的方法如手勢辨識、人體動作辨識、膚色偵測…等。目前許多學者在手勢辨識研究使用膚色偵測，此方法缺點是運算量大，且考慮各種人種膚色問題，如：黃種、白種與黑種人，會增加辨識上的困難。本研究使用相鄰影像相減進行動態偵測為資料源，因此只需對灰階影像做運算，也較適合用於即時偵測辨識系統。本研究目的是在複雜背景情況下仍可正確辨識，本研究可分為三個步驟；第一先使用傳統灰階相鄰影像相減方式，第二結合運動狀態影像，第三結合時空切片觀念針對感興趣區域偵測。將此觀察區域分成兩部份；第一部份是以線為基礎觀察流量統計資訊，第二部份則是以區域為基礎觀察密度與密度變化量資訊。目的是結合手部寬度合理區間與手部通過區域的合理情況資訊，改善傳統方法在複雜背景會誤判的情況。

In recent years, moving object recognition and detection have attracted many scholars study. They use methods such as gesture recognition, human motion recognition, color detection, and so on. At present, they used color detection in gesture recognition. The disadvantage of this method is the need of large computation. If the problem of race color is considered, the difficulty on recognition will increase. For example: yellow, white, and black people. In this study, we use the residual of subtracting adjacent images as the data of source dynamic detection. This method operates on grayscale images and also suitable for real-time system. The purpose of this study is to correctly recognize the hand gestures in the complex background. This thesis introduces the traditional frame difference method, the motion history image, and the detection in the region of interest in which flow statistics data and density variation data are analyzed on the detection lines and detection region.

目錄I
圖目錄II
表目錄III
摘要V
ABSTRACT VI
第1章 研究動機與文獻探討1
第2章 研究方法3
2.1 相鄰影像相減法3
2.2 運動狀態影像7
第3章 區域流量10
3.1 ROI 10
3.2 ROI密度與密度變化量12
3.3 偵測線流量統計17
第4章 手勢方向辨識實驗22
4.1 實驗一24
4.2 實驗二25
4.3 實驗三28
4.4 實驗結果探討32
第5章 結論與未來展望36
參考文獻37
圖目錄
圖2.1 不同亮度值的二值化結果4
圖2.2 相鄰影像相減餘值資訊5
圖2.3 複雜背景情況6
圖2.4 使用不同的α值結果7
圖2.5 運動狀態影像9
圖3.1 手部動作情況示意圖11
圖3.2 偵測範圍示意圖一11
圖3.3 偵測範圍示意圖二12
圖3.4 上方向密度偵測資訊統計圖13
圖3.5 下方向密度偵測資訊統計圖13
圖3.6 右方向密度偵測資訊統計圖14
圖3.7 左方向密度偵測資訊統計圖14
圖3.8 上方向密度變化量資訊統計圖15
圖3.9 下方向密度變化量資訊統計圖16
圖3.10左方向密度變化量資訊統計圖16
圖3.11 右方向密度變化量資訊統計圖17
圖3.12 常態分佈圖18
圖3.13 右方向偵測線資訊統計圖19
圖3.14 左方向偵測線資訊統計圖19
圖3.15 上方向偵測線資訊統計圖20
圖3.16 下方向偵測線資訊統計圖20
圖3.17 單純背景右方向偵測線資訊統計圖21
圖3.18 複雜背景右方向偵測線資訊統計圖21
圖4.1 全域偵測方向判定示意圖23
圖4.2 傳統方法辨識流程圖24
圖4.3 結合ROI辨識流程圖24
圖4.4 結合運動狀態影像辨識流程圖26
圖4.5 結合區域密度與密度變化量辨識流程圖27
圖4.6 手勢偵測範圍示意圖30
圖4.7 完整手勢辨識流程圖33
圖4.8 複雜背景問題34
圖4.9 複雜背景改善結果35
表目錄
表4.1 Type I and Type II errors 22
表4.2 相鄰影像單純背景準確性實驗25
表4.3 相鄰影像複雜背景準確性實驗25
表4.4 運動狀態影像α值準確性實驗26
表4.5 複雜背景ROI偵測-密度門檻準確性實驗27
表4.6 複雜背景ROI偵測-密度變化量門檻準確性實驗27
表4.7 複雜背景ROI偵測-運動狀態影像α值準確性實驗一28
表4.8 複雜背景ROI偵測-運動狀態影像α值準確性實驗二28
表4.9 左右方向偵測線流量統計資訊29
表4.10 上方向偵測線流量統計資訊29
表4.11 下方向偵測線流量統計資訊29
表4.12 y=200下方向偵測線各區間累計量30
表4.13 y=50上方向偵測線各區間累計量31
表4.14 x=50右方向偵測線各區間累計量31
表4.15 x=260左方向偵測線各區間累計量32

中文部份
[1]王瑋群，「智慧型人性化家電人機介面」，國立中央大學資訊工程學系碩士論文，2009。
[2]呂博琪，「應用姿態分析於遺留物品與人聯性之研究」，國立台灣科技大學高分子工程學系碩士學位論文，2006。
[3]邱耀德，「以單一攝影機追蹤手部與模擬多點觸控螢幕」，大同大學資訊工程研究所碩士論文，2009。
[4]吳宗諭，「一種以密度為基礎之改良型快速分群演算法及即時偏光板瑕疵區域檢測之應用」，國立台灣科技大學自動化及控制研究所，2007。
[5]吳祥禎，「應用不可確定分析於流量延時曲線可靠資料年限決定之研究」，國立交通大學土木工程學系博士班研究生，2003。
[6]林永申，「使用時空切片之結構張量於分鏡偵測」，義守大學資訊工程研究所，2004。
[7]洪兆欣，「以軌跡辨識為基礎之手勢辨識系統」，國立中央大學資訊工程研究所碩士論文，2009。
[8]許常志，「手部姿勢辨識之研究」，義守大學資訊工程研究所碩士論文，2010。
[9]許璧蟬，「門禁監控即時辨識系統」，國立中央大學電機工程研究所碩士論文，2002。
[10]劉昭吟，「以感興趣的區塊為基礎之紋理資料庫影像檢索系統」，立德管理學院應用資訊研究所，2006。
英文部份
[11]A. Saoudi and H. Essafi, “Spatio-temporal video slice edges analysis for shot transition detection and classification,” World Academy of Science, Engineering and Technology, vol. 28, 2007.
[12]Aissa Saoudi and Hassane Essafi, “Spatio-Temporal Video Slice Edges Analysis for Shot Transition Detection and Classification,” International journal of signal processing, vol. 4, no. 1, 2007.
[13]D. Weinland, R. Ronfard, and E. Boyer, “Motion History Volumes for Free Viewpoint Action Recognition,” Proceedings of IEEE International Workshop on modeling People and Human Interaction, 2005.
[14]Horn, B. K. P. and B. G. Schunck, "Determining optical flow," Artificial Intelligence, vol. 17, no. 1, pp. 185-203, 1981.
[15]James Davis, “Hierarchical Motion History Images for Recognizing Human Motion,” Proceedings of IEEE Workshop on Detection and Recognition of Events in Video, pp. 39-46, 2001.
[16]M. Valstar, M. Pantic, and I. Patras, “Motion History for Facial Action Detection in Video,” Proceedings of IEEE International Conference on Systems, Man and Cybernetics, pp. 635-640, 2004.
[17]Martin Ester, Hans-Peter Kriegel, Jörg Sander and Xiaowei Xu, “A density-based algorithm for discovering clusters in large spatial database with noise,” In: International Conference on Knowledge Discovery in Databases and Data Mining (KDD-96), AAAI Press, Portland, Oregon, pp. 226-231, 1996.
[18]Paul Viola and Michael Jones, “Rapid Object Detection using a Boosted Cascade of Simple Features,” IEEE Conference on Computer Vision and Pattern Recognition, 2001.
[19]Simon Baker and Iain Matthews, “Lucas-Kanade 20 Years On: A Unifying Framework,” International Journal of Computer Vision, vol. 56, no. 3, pp. 221-255, 2004.