近年來監視攝影機已經演進為網路化的攝影機系統，其攝影機嵌入式系統的效能也不斷地提升，使得越來越多的功能可以直接實現在系統上，不需額外的運算設備，如：個人電腦。
因此，鼎高科技與資工系進行一個產學研究計畫，用以提升其攝影機產品的附加價值，計畫內容分為兩個部分，「門禁影像整合技術」與「異常物體偵測技術」。在「門禁影像整合技術」當中，當有人在門禁系統刷卡機進行刷卡時，去檢查一個人臉是否存在於機器的面前，若不存在，則這個人必須移除掉會遮蔽臉部的裝飾，如口罩，之後再重新進行刷卡動作，以確保門禁系統的安全性。為了實現上述的目的，本研究設計一套「人臉遮蔽偵測技術」來呼應這個需求，此技術結合人臉檢測的技術當中結合膚色與嘴巴檢測，以確認人臉遮蔽的狀態，實驗結果證明，所設計的技術檢測成功率可達96%。
在「異常物體偵測技術」當中，透過分解原有的異常物體偵測系統，將學習機制交由性能較高的PC端執行，而將異常物體的偵測機制移植至攝影機內的嵌入式系統當中，實驗結果證明，本系統處理一個640×480 pixel的影像，每秒約可分析10張影像。

In recent years, the surveillance camera is becoming a network camera system. The increasing performance of the embedded system of a camera causes more and more functions can be realized directly in the embedded system without an extra computing device, e.g., personal computer.
Therefore, an industrial-academic project is developed between Telexper Co. Ltd. and Department of Computer Science & Information Engineering to enhance the added value of the company’s camera products. There are two parts in this project, one is the integration of pattern recognition technique with door access control system, and the other is the abnormal moving object detection technique. In the first part, the face of a person is checked whether it is occluded while he uses an access control card for passing through an entry. If the face is occluded, the person must remove the object on the face, such as mask, and sense the access control card again. It is used to increase the safety of access control system. In order to achieve the above purpose, a face occlusion detection technique is proposed by incorporating with the lip detection and skin detection. The experimental results show that the detection success rate is up to 96%.
In the second part, a prototype system developed previously is decomposed into two modules for performance consideration. The first module is the learning module which requires a high computing resource. It is executed on a personal computer. The second module is the detection of an abnormal moving object. It is packaged and executed in the embedded system of a camera based on the profile generated by the learning module. The experimental results show that the module can process 10 frames with 640×480 resolution per second.

目錄
中文摘要 III
Abstract IV
誌謝 VI
目錄 VIII
表目錄 X
圖目錄 XI
第一章 簡介 1
第二章 文獻探討 3
第三章 系統運作環境 7
3.1 人臉遮蔽偵測技術 7
3.2 異常物體偵測技術 9
第四章 人臉遮蔽偵測技術開發 11
4.1 檢測流程 11
4.2 檢測方法實作 14
4.3 函式庫設計 17
4.4 實驗結果 30
第五章 異常物體偵測技術開發 42
5.1 檢測流程 42
5.2 檢測方法實作 44
5.3 函式庫設計 51
5.4 實驗結果 62
第六章 結論與未來展望 66
參考文獻 68
附錄A：人臉遮蔽偵測技術所使用的測試影像 70
附錄B：人臉遮蔽偵測技術第三次實驗結果影像 72

表目錄
表 1：現有異常物體偵測系統的開發平台 9
表 2：第一次實驗檢測成功率 32
表 3：嵌入式平台上測試影像的執行結果 33
表 4：參數建議設定值 33
表 5：第三次實驗色偏影像的檢測成功率 38
表 6：第四次實驗人臉無遮蔽物的實驗結果 39
表 7：第四次實驗人臉有遮蔽物的實驗結果 40

圖目錄
圖 1：E. Ricci與G. Zen所提出的事件檢測方法 3
圖 2：行人軌跡模型 4
圖 3：過度擬合的HMM 4
圖 4：HMM模型的修改結果：DHC和SC的比較 5
圖 5：C. T. Hsieh等學者的異常行為偵測方法 5
圖 6：各自獨立運作的門禁刷卡系統與影像監控系統示意圖 7
圖 7：整合門禁刷卡系統與影像監控系統的運作示意圖 8
圖 8：門禁刷卡人臉偵測運作流程圖 8
圖 9：異常物體偵測的運作示意圖 10
圖 10：有色偏影像的範例 11
圖 11：系統流程圖 12
圖 12：原始影像與人臉偵測的結果 15
圖 13：原始影像與轉換後的直方圖 16
圖 14：人臉無遮蔽物的影像 31
圖 15：戴口罩的影像 31
圖 16：第一次實驗檢測失敗的例子 32
圖 17：第二次實驗測試結果(640 × 480 pixel、Ratio=0.4) 34
圖 18：第二次實驗測試結果(320 × 240 pixel、Ratio=0.4) 35
圖 19：第二次實驗測試結果(320 × 240 pixel、Ratio=1.0) 35
圖 20：影像有色偏情況的範例 36
圖 21：第三次實驗的測試結果(640 × 480 pixel、Ratio=0.25) 37
圖 22：第三次實驗的測試結果(320 × 240 pixel、Ratio=0.4) 37
圖 23：第三次實驗色偏影像檢測失敗的例子 38
圖 24：人臉有遮蔽物的影像 40
圖 25：第四次實驗檢測失敗的例子 41
圖 26：異常物體偵測的運作流程圖 42
圖 27：像素強度統計與GMM近似分布圖 44
圖 28：GMM高斯混合背景模型建構過程 45
圖 29：移動物體偵測實例 46
圖 30：移動物體追蹤的實例展示 47
圖 31：軌跡資料經卡爾曼濾波器的處理範例 47
圖 32：正常物體軌跡之位置以及速度的模型 48
圖 33：學校校園廣場在學習階段建立之正常物體的軌跡模型 49
圖 34：馬路場景在學習階段建立之正常物體的軌跡模型 49
圖 35：單行道場景在學習階段建立之正常物體的軌跡模型 49
圖 36：實際展示結果 50
圖 37：設定不偵測的區域來減低假警報以及提高執行效率 50
圖 38：測試影片1 – 校園廣場場景 62
圖 39：測試影片2 – 單行車道場景 63
圖 40：測試影片3 – 馬路場景 64
圖 41：測試影片4 – 校園廣場場景 64
圖 42：測試影片5 – 高速公路場景 65

[1]E. Ricci, and G. Zen, “Earth Mover's Prototypes: A Convex Learning Approach for Discovering Activity Patterns in Dynamic Scenes,” in Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Providence, RI, USA, pp. 3225-3232, Jun. 2011.
[2]A. Galata, N. Johnson, and D. Hogg, “Learning Variable Length Markov Models of Behavior,” Computer Vision and Image Understanding, vol. 81, no. 3, pp. 398-413, 2001.
[3]D. Makris, and T. Ellis, “Path Detection in Video Surveillance,” Image Vision and Computation, vol. 20, no. 12, pp. 895-903, 2002.
[4]D. Makris, and T. Ellis, “Learning Semantic Scene Models from Observing Activity in Visual Surveillance,” IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, vol. 35, no. 3, pp. 397-408, 2005.
[5]C. Piciarelli, and G. L. Foresti, “On-Line Trajectory Clustering for Anomalous Events Detection,” Pattern Recognition Letters, vol. 27, no. 15, pp. 1835-1842, 2006.
[6]F. Jiang, Y. Wu, and A. K. Katsaggelos, “Abnormal Event Detection from Surveillance Video by Dynamic Hierarchical Clustering,” in Proceedings of 2007 IEEE International Conference on Image Processing, San Antonio, TX, USA, vol. 5, pp. 145-148, Sep. 2007.
[7]C. T. Hsieh, S. B. Hsu, C. C. Han, and K. C. Fan, “Abnormal Event Detection Using Trajectory Features,” Journal of Information Technology and Applications, vol. 5, no. 1, pp. 21-27, 2011.
[8]H. H. Wei, “Abnormal Moving Object Detection under Various Enviroments Using Self-Organizing Incremental Neural Networks,” Master Thesis, Department of Computer Science and Information Engineering, National Taiwan University of Science and Technology, 2012.
[9]“Cascade Classification - OpenCV 2.4.8.0 documentation”, http://docs.opencv.org/modules/objdetect/doc/cascade_classification.html
Available at: 2014-06-14.
[10]S. C. Jeng, “A GMM-based Method For Dynamic Background Image Model Construction with Shadow Removal”, Master Thesis, National Chiao-Tung University, ECE, , pp 83, June, 2005.