(1)
การวเคราะหภาพวดโอโดยใชความลกสาหรบการจดจาทาทางของมนษย
Side-View Based Human Action Recognition Using Stereo Vision
พงศธร ชวลตสทธกล
Pongsatorn Chawalitsittikul
วทยานพนธนเปนสวนหนงของการศกษาตามหลกสตรปรญญา
วศวกรรมศาสตรมหาบณฑต สาขาวชาวศวกรรมคอมพวเตอร
มหาวทยาลยสงขลานครนทร
A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of
Master of Engineering in Computer Engineering
Prince of Songkla University
2556
ลขสทธของมหาวทยาลยสงขลานครนทร
(2)
ชอวทยานพนธ การวเคราะหภาพวดโอโดยใชความลกสาหรบการจดจาทาทางของมนษย
ผ เขยน นายพงศธร ชวลตสทธกล
สาขาวชา วศวกรรมคอมพวเตอร
บณฑตวทยาลย มหาวทยาลยสงขลานครนทร อนมตใหนบวทยานพนธฉบบนสาหรบ
การศกษา ตามหลกสตรปรญญาวศวกรรมศาสตรมหาบณฑต สาขาวชาวศวกรรมคอมพวเตอร
……………………………..…….
(รองศาสตราจารย ดร.ธระพล ศรชนะ)
คณบดบณฑตวทยาลย
อาจารยทปรกษาวทยานพนธหลก
……………………………......................
(ผ ชวยศาสตราจารย ดร.นคม สวรรณวร)
คณะกรรมการสอบ
…………………………….....ประธานกรรมการ
(ดร.อนนท ชกสรวงค)
………………………...........................กรรมการ
(ผ ชวยศาสตราจารย ดร.นคม สวรรณวร)
…………………………...................ใ..กรรมการ
(ผ ชวยศาสตราจารย ดร.ปรญชลย สมานพบรณ)
(3)
ขอรบรองวา ผลงานวจยน มาจากการศกษาวจยของนกศกษาเอง และไดแสดงความขอบคณบคคลท
มสวนชวยเหลอแลว
ลงชอ……………………………………..
(ผ ชวยศาสตราจารย ดร.นคม สวรรณวร)
อาจารยทปรกษาวทยานพนธ
ลงชอ……………………………………..
(นายพงศธร ชวลตสทธกล)
นกศกษา
(4)
ขาพเจาขอรบรองวา ผลงานวจยน ไมเคยเปนสวนหนงในการอนมตปรญญาในระดบใดมากอน และ
ไมไดถกใชในการยนขออนมตปรญญาในขณะน
ลงชอ……………………………………..
(นายพงศธร ชวลตสทธกล)
นกศกษา
(5)
ชอวทยานพนธ การวเคราะหภาพวดโอโดยใชความลกสาหรบการจดจาทาทางของมนษย
ผ เขยน นายพงศธร ชวลตสทธกล
สาขาวชา วศวกรรมคอมพวเตอร
ปการศกษา 2555
บทคดยอ
วทยานพนธฉบบน เปนงานวจยเพอประยกตใชเทคนคดานการประมวลผลภาพ
วเคราะหโมเดลมนษยสาหรบการรจ าทาทางของมนษยซงมงเนนไปทการเฝาระวงเหตการณท
ผดปกตในสถานทสาคญตางๆและในผ ปวย ผ พการ คนชราทอาศยอยเพยงล าพง เมอเกดเหตการณ
ผดปกตสามารถใหการชวยเหลอไดอยางรวดเรว ซ งประกอบดวยกระบวนการสรางโครงสราง
มนษยข นใหมใหอยในรปแบบจาลองโครงสรางมนษยอยางงายทมเพยง 3 องคประกอบสาคญของ
รางกาย คอ ศรษะ ล าตวและขา จากน นจงตดตามการเคลอนไหวของแตละองคประกอบอยางเปน
อสระตอกน ระบบจะมการนาขอมลความลก ส และการเคลอนไหวของวตถเขามาชวยในการ
วเคราะหภาพพนฐาน ผลของการตดตามจะไดขอมลของความสมพนธของมม และความแตกตาง
ของความลก ของลาตวถงศรษะ และลาตวถงขา โดยขอมลเหลาน จะถกนาไปใชในกระบวนการรจ า
ทาทางพนฐานท งหมด 5 ทาทางไดแก การยน การเดน การน ง การกม และการนอน โดยใช
กระบวนการรจ าของนวรอนเนตเวรค และSVM( Support Vector Machine ) สาหรบการเทรน
ลกษณะเดนและทดสอบความถกตองของการรจ าทาทาง โดยใชตวอยางสาหรบการทดลอง 800
ขอมล ทาทางละ 200 ขอมล ซงผลการรจ าทาทางพนฐานใหความถกตองโดยเฉลยมากทสด 96.5%
และจากการนาทาทางพนฐานเหลาน มาผสมผสานกนจะสามารถใชอธบายถงกจกรรมมนษยทม
ความซบซอนมากข นได โดยทระบบสามารถทางานแบบเรยลไทมไดอยางมประสทธภาพ และม
ความคงทนตอมมทเปลยนไประดบหนงโดยไมทาใหการวเคราะหคลาดเคลอนมากนก
(6)
Thesis Title Side-View based Human Action Recognition using Stereo Vision
Author Mr. Pongsatorn Chawalitsittikul
Major Program Computer Engineering
Academic Year 2012
ABSTRACT
This thesis is to research practical techniques by using image processing,
analysis, modeling human action recognition, which focuses on monitoring the unusual landmark,
and in patients with impaired seniors. Abnormal events can be of assistance quickly. The process
consists of creating a new human to human in a simple model with only three key elements of the
body is the head, torso and legs and then track the movement of each element independently of
one another. It has a depth of color and movement of objects to help in the image analysis. The
results of the investigation of the relationship and the difference in depth of the body, head, and
legs. This information will be used in the recognition stance underlying all five postures such as
standing, walking, sitting, bending and lying to the recognition of the neuron network and SVM
(Support Vector Machine) for training. Features and testing the accuracy of human action
recognition for samples were 800 data signal 200 for which the recognition, gesture based for
accuracy by the 96.5% and the attitude underlying these combinations can be used to describe
human activities are complex. The system can run in real-time effectively and robust to the
change to a certain extent without causing much error analysis.
(7)
กตตกรรมประกาศ
สาหรบการดาเนนการวจยและจดทาวทยานพนธน ผ วจยขอขอบพระคณผชวย
ศาสตราจารย ดร.นคม สวรรณวร ประธานกรรมการทปรกษาวทยานพนธ ทไดใหค าปรกษา ช แนะ
แนวทางในการทางาน ท งย งใหก าลงใจและการเอาใจใสกบขาพเจาเปนอยางมาก กระตนใหขาพเจา
ไดมความมงม นในการทางานใหสาเรจลลวงไปไดเปนอยางดเรอยมา รวมถงการตรวจและแกไข
เนอหาวทยานพนธใหสาเรจสมบรณ
ขอขอบพระคณรองศาสตราจารย ดร.อนนท ชกสรวงค กรรมการทปรกษา
วทยานพนธ ทไดใหค าแนะนาในการปรบปรงวทยานพนธใหสมบรณยงข น
ขอขอบพระคณคณาจารย และบคคลากรทกทานในภาควชาวศวกรรม
คอมพวเตอรทกทานทใหความชวยเหลอในระหวางการทาวทยานพนธ
ขอขอบพระคณเพอน ๆ และนกศกษาปรญญาโททกทานทคอยใหค าแนะนาและ
คอยใหความชวยเหลอดวยดตลอดมา
สดทายน ขอกราบขอบพระคณ บดา มารดาและญาตพนองทกคน ซงเปนผ ม
พระคณสงสดทใหก าลงในและใหการสนบสนนทกสงทกอยางดวยดตลอดมาในชวตของขาพเจา
พงศธร ชวลตสทธกล
(8)
สารบญ
บทคดยอ ......................................................................................................................................... (5)
ABSTRACT ...................................................................................................................... (6)
กตตกรรมประกาศ .............................................................................................................. (7)
สารบญ ............................................................................................................................... (8)
สารบญรปภาพ.................................................................................................................. (11)
สารบญตาราง ................................................................................................................... (14)
บทท 1 ................................................................................................................................. 15
1.1 ความสาคญและทมาของโครงงาน .................................................................... 15
1.2 วตถประสงคของโครงงาน .............................................................................. 16
1.3 ประโยชนทคาดวาจะไดรบ ............................................................................. 16
1.4 งานวจยทเกยวของ......................................................................................... 16
1.4.1 การวเคราะหหาโมเดลมนษยในรปแบบสองมต (2D Human Modeling) ........... 17
1.4.2 การวเคราะหหาโมเดลมนษยในรปแบบสามมต (3D Human Modeling) ........... 20
1.4.3 การวเคราะหทาทาง (Action Analysis) ....................................................... 21
1.4.4 สรปงานวจยทเกยวของ ........................................................................... 25
1.5 ขอบเขตของการวจย ...................................................................................... 26
1.6 ข นตอนและวธการดาเนนงานวจย .................................................................... 26
บทท 2 ................................................................................................................................. 27
2.1 การตรวจจบการเคลอนไหว............................................................................. 27
2.1.1 การหาคาเฉลยอยางตอเนอง (Running average) ........................................... 27
2.1.2 การสรางพนหลงจากการผสมของระเบยบวธเกาสเซยนหลายรปแบบ (Mixture of
Gaussian) ........................................................................................................... 28
2.2 การตดตามสโดยใช Mean-Shift ....................................................................... 30
(9)
2.2.1 Histogram ............................................................................................ 31
2.2.2 Histogram Back-Projection ...................................................................... 32
2.2.3 Mass Centre Calculation ......................................................................... 33
2.3 การประมวลผลภาพแบบสเตอรโอ ................................................................... 33
2.3.1 ลกษณะทางเลขาคณต (Epipolar Geometry) ................................................ 34
2.4 3D reconstruction.......................................................................................... 35
2.5 Morphological .............................................................................................. 36
2.5.1 การกดกรอนภาพ (Erosion) ...................................................................... 36
2.5.2 การพอกภาพ (Dilation) ........................................................................... 39
2.6 Neural Network ............................................................................................ 41
2.7 SVM (Support Vector Machine) ...................................................................... 43
บทท 3 ................................................................................................................................. 46
3.1 แนวคดเบองตนงานวจย ................................................................................. 46
3.2 การพฒนาระบบ............................................................................................ 47
3.2.1 การเตรยมภาพสาหรบการวเคราะห ........................................................... 48
3.2.2 การตรวจจบการเคลอนไหว ..................................................................... 49
3.2.3 การผสมขอมลภาพความลก และขอมลภาพส .............................................. 50
3.2.4 โมเดลโครงสรางมนษยอยางงาย ............................................................... 53
3.2.5 การดงลกษณะเดน .................................................................................. 56
3.2.6 การรจ าทาทางมนษย ............................................................................... 61
3.2.7 สรป .................................................................................................... 61
บทท 4 ................................................................................................................................. 63
4.1 การทดสอบการรวมภาพความลกและภาพส ....................................................... 63
4.2 การทดสอบความสมพนธระหวางระยะทางจรงกบคาจากกลอง .............................. 65
4.3 การทดสอบความคลาดเคลอนของมมกลอง ........................................................ 68
(10)
4.4 การทดสอบการวเคราะหทาทางมนษย............................................................... 69
4.4.1 การทดลองท 1 วเคราะหโดยใชโครงขายประสาทเทยม (Neural network) ......... 74
4.4.2 การทดลองท 2 วเคราะหโดยใช SVM (Support Vector Machine) สาหรบการ
วเคราะหทาทาง ................................................................................................... 77
4.5 การวเคราะหทาทางมนษยแบบเรยลไทม (Realtime Implementation) ...................... 81
4.6 สรป............................................................................................................ 82
บทท 5 ................................................................................................................................. 83
5.1 สรปผลการวจย ............................................................................................. 83
5.2 อภปรายผล .................................................................................................. 84
5.3 ขอเสนอแนะ ................................................................................................ 84
เอกสารอางอง....................................................................................................................... 86
ภาคผนวก ก. ผลงานตพมพเผยแพรจากวทยานพนธ .............................................................. 88
ประวตผ เขยน ...................................................................................................................... 95
(11)
สารบญรปภาพ ภาพประกอบ 1-1 แผนภาพแสดงประเภทของงานวจยทเกยวของกบมนษย .................................. 17
ภาพประกอบ 1-2 แบบจาลองมนษยอยางงาย................................................................................. 18
ภาพประกอบ 1-3 คณสมบตของ Discrete Fourier Transform (DFT) ............................................ 18
ภาพประกอบ 1-4 การแปลง Discrete Fourier Transform (DFT) ................................................... 19
ภาพประกอบ 1-5 ตวอยาง Star Skeleton ........................................................................................ 20
ภาพประกอบ 1-6 ผลลพธจากการทาโมเดลมนษยทเปนสามมต .................................................... 20
ภาพประกอบ 1-7 ผลลพธจากการนาภาพจากหลายมมมองมาทาเปนภาพสามมตเพอระบตาแหนง................ 21
ภาพประกอบ 1-8 ตนแบบมนษยอยางงายและพารามเตอรท งหมด ณ ขณะเวลา ti และ ti+1............ 21
ภาพประกอบ 1-9 ทาทางพนฐาน (a) กม (b) น ง (c) นอนราบ (d) ยน หรอ เดน ............................. 22
ภาพประกอบ 1-10 แผนภาพแสดงการสถานะจากดการเคลอนไหว .............................................. 23
ภาพประกอบ 1-11 ตาแหนงการตดต งกลอง และตวอยางภาพจากสองมมมอง.............................. 23
ภาพประกอบ 1-12 แผนภาพแสดงการสถานะจากดการเคลอนไหว .............................................. 24
ภาพประกอบ 2-1 ตวอยางผลการลบพนหลงโดยการหาคาเฉลยอยางตอเนอง (a) เฟรมปจจบน (b) ภาพวตถเคลอนไหว ...... 28
ภาพประกอบ 2-2 การแยกประเภทจดส ของวธ Mixture of Gaussians .......................................... 29
ภาพประกอบ 2-3 ผลจากวธ Mixture of Gaussians (a) ภาพวดโอตดตอเฟรมปจจบน (b) ภาพวตถเคลอนท . 30
ภาพประกอบ 2-4 Original Image .................................................................................................. 31
ภาพประกอบ 2-5 Histogram .......................................................................................................... 31
ภาพประกอบ 2-6 Original Image .................................................................................................. 32
ภาพประกอบ 2-7 Back-Projection Image ...................................................................................... 32
ภาพประกอบ 2-8 ตวอยาง ภาพจากกลองซาย, กลองขวา และภาพทผานการจบคจากท งสองกลอง ............. 33
ภาพประกอบ 2-9 ลกษณะทางเลขาคณตทสมพนธกนระหวางกลองท งสอง ................................. 34
ภาพประกอบ 2-10 ตวอยางการวเคราะหทาทางการยกมอโดยใชภาพสามมต ............................... 35
ภาพประกอบ 2-11 ตวอยางขอมลภาพ และ template การทา Erosion............................................ 37
ภาพประกอบ 2-14 ภาพกอนทาและหลงทา Erosionจากตวอยางจะเหนวาหลงจากการทา Erosion ทาให “salt
noise” จดเลก ๆ สขาวในภาพหายไป ..................................................................................................... 38
ภาพประกอบ 2-17 ภาพกอนทาและหลงทา Dilation จากตวอยางจะเหนวา “pepper noise” (จดดา
เลก ๆบนภาพ) หายไปและเพมความสวางของภาพ ....................................................................... 40
ภาพประกอบท 2-18 โมเดลของขายประสาทเทยม ....................................................................... 42
(12)
ภาพประกอบท 2-19 แสดงสถาปตยกรรม Feedforward network .................................................. 43
ภาพประกอบท 2-20 ตวอยาง SVM ใน 2 มต ................................................................................. 43
ภาพประกอบท 2-21 ตวอยางคา Margin ........................................................................................ 44
ภาพประกอบท 2-22 ตวอยาง SVM ใน 3 มต ................................................................................. 44
ภาพประกอบ 3-1 3D Reconstruction ............................................................................................. 47
ภาพประกอบ 3-2 ภาพรวมของระบบ............................................................................................. 48
ภาพประกอบ 3-3 ภาพเปรยบเทยบความลกกบภาพส .................................................................... 48
ภาพประกอบ 3-4 ภาพตวอยางการตรวจจบการเคลอนไหวจากภาพความลก ................................ 49
ภาพประกอบ 3-6 กระบวนการโดยรวมของการผสมขอมลส และความลก ................................... 50
ภาพประกอบ 3-7 ภาพตวอยางแสดงการเทยบพกดจากภาพความลกไปภาพส .............................. 51
ภาพประกอบ 3-7 ภาพตวอยางแสดงการรวมภาพความลกและภาพส ............................................ 53
ภาพประกอบ 3-8 กระบวนการโดยรวมของการสรางโมเดลมนษยอยางงาย ................................. 53
ภาพประกอบ 3-9 ภาพตวอยางการหาโมเดลโครงสรางมนษย ....................................................... 54
ภาพประกอบ 3-10 โมเดลมนษยอยางงาย เสนสน าเงน และสชมพคอผลลพธจากการรวมเสนสแดง และสเขยวตามลาดบ . 56
ภาพประกอบ 3-11 พารามเตอร [θh, θl] และ [Dh,Dl] สาหรบการนาไปวเคราะหทาทาง ........... 57
ภาพประกอบ 3-12 กราฟความสมพนธระหวางระยะทางจรงกบคาความลกจากกลอง .................. 58
ภาพประกอบ 3-13 ตวอยางพารามเตอรของการยน และการเดน ................................................... 59
ภาพประกอบ 3-14 ตวอยางพารามเตอรของการนอน .................................................................... 59
ภาพประกอบ 3-15 ตวอยางพารามเตอรของการกม ....................................................................... 60
ภาพประกอบ 3-16 ตวอยางพารามเตอรของการน ง ........................................................................ 61
ภาพประกอบ 4-1 ตวอยางผลลพธของการทากระบวนการกดกรอน 1 รอบ .................................. 63
ภาพประกอบ 4-2 ตวอยางผลลพธของการทากระบวนการกดกรอน 2 รอบ .................................. 64
ภาพประกอบ 4-3 ตวอยางผลลพธของการทากระบวนการกดกรอน 3 รอบ .................................. 64
ภาพประกอบ 4-4 ตวอยางผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 2 ......................... 65
ภาพประกอบ 4-5 ตวอยางผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 4 ......................... 66
ภาพประกอบ 4-6 ตวอยางผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 6 ......................... 67
ภาพประกอบ 4-7 กราฟความสมพนธระหวางระยะทางจรงกบคาความลกจากกลอง .................... 68
ภาพประกอบ 4-8 ตวอยางทาทางทพจารณาทาทางโดยใชคามมของเวกเตอร (a) การเดน (b) การนอน (c) การก ม (d) การน ง70
ภาพประกอบ 4-9 ตวอยางทาทางทพจารณาทาทางโดยใชความลก (a) การกม (b) การน ง ............ 70
ภาพประกอบ 4-9 ตวอยางการแสดงทาทางการยน และการเดน .................................................... 71
(13)
ภาพประกอบ 4-10 ตวอยางการแสดงทาทางการนอน .................................................................... 71
ภาพประกอบ 4-11 ตวอยางการแสดงทาทางการน ง ....................................................................... 72
ภาพประกอบ 4-12 ตวอยางการแสดงทาทางการกม ....................................................................... 73
(14)
สารบญตาราง ตารางท 1-1 แสดงความสมพนธระหวางพนทกบเหตการณ .......................................................... 24
ตารางท 1-2 เปรยบเทยบงานวจยทเกยวของ ................................................................................... 25
ตารางท 4-1 ผลการทดลองการเปรยบเทยบของแตละมมกลอง ..................................................... 69
ตารางท 4-2 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 400 ................................. 75
ตารางท 4-3 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 800 ................................. 75
ตารางท 4-4 อตราความถกตองของแตละทาทางทมากทสด ........................................................... 76
ตารางท 4-5 อตราความถกตองของแตละทาทาง และความผดพลาด ............................................. 76
ตารางท 4-6 อตราความถกตองของแตละมมมอง ........................................................................... 77
ตารางท 4-7 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 400 ................................. 78
ตารางท 4-8 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 800 ................................. 79
ตารางท 4-9 อตราความถกตองของแตละทาทางทมากทสด ........................................................... 79
ตารางท 4-10 อตราความถกตองของแตละทาทาง และความผดพลาด ........................................... 80
ตารางท 4-11 อตราความถกตองของแตละมมมอง ......................................................................... 80
15
บทท 1
บทนา
1.1 ความสาคญและทมาของโครงงาน
ปจจบนการเกดเหตการณทไมพงประสงคสามารถเกดไดตลอดเวลา ไมวาจะเปนเหตการณท
เกยวกบความปลอดภยในชวต และทรพยสน จากขาวตามสอตางๆมากมาย เชน การปลน การลอบ
สงหาร การลอบวางระเบด เปนตน หรอเหตการณทเกยวกบการเฝาระวงมนษยเพอวเคราะห
พฤตกรรมความเปนอย เชน การดแลผ สงอาย การสงเกตการณทางานของพนกงานในโรงงาน เปน
ตน เหตการณทกลาวมาถอเปนเรองทควรใหความสาคญเปนอยางมาก เนองจากมผลกระทบตอการ
ดารงชวตของมนษย
อยางไรกตามเรองของการเฝาระวงพฤตกรรมมนษยในปจจบนย งไมสามารถทาไดดพออน
เนองมาจากระบบรกษาความปลอดภยทมอยไมสามารถสงเกตไดตลอดเวลา มาจากหลายสาเหต
เชน บคคลทนามาเฝาเกดการบกพรองในหนาทไมวาจะเปนกรณใดๆกตาม หรอแมกระท งเปน
ผ กระทาผดเอง เปนตน เรองของการเฝาระวงมนษยเพอวเคราะหพฤตกรรมความเปนอยกเชนกนซง
ถาใชมนษยในการสงเกตกไมสามารถสงเกตไดตลอดเวลา และอาจจะดวาเปนการรกล าสทธ ซงจะ
ทาใหผ ทถกสงเกตการณเกดความอดอดได
ดงน นในปจจบนจงมการตดต งกลองวงจรปดอยางแพรหลายในองคกรไมวาจะเปนองคกร
ขนาดใหญหรอขนาดเลก หางสรรสนคา รานคา รวมไปถงบานเรอน กย งมการตดต งกลองวงจรปด
เพอใชสาหรบการสงเกตการณ และใชดวดโอย อนหลงเมอเกดเหตการณทสนใจข น อยางไรกตาม
ถงแมจะมการตดต งกลองวงจรปดแลวกไมสามารถระงบเหตการณทเกดข นไดทนทวงท เชน ม
เหตการณคนรายวางระเบดในหางสรรพสนคากวาทระบบรกษาความปลอดภยของหางจะรวามการ
วางระเบดกอาจจะสายไประเบดอาจจะทางาน กลองวงจรปดกทาไดเพยงบนทกขอมล เพอใช
สาหรบการคนหาตวผ กระทาผดภายหลง ซงมนกสายไปสาหรบความสญเสยทเกดข นตอชวตและ
ทรพยสนรวมไปถงสภาพจตใจของผ คนทอยในเหตการณซงไมอาจจะประเมนคาได หรอเรองของ
การดแลผ สงอายถาหากผ สงอายเกดการลมกลองวงจรปดกไมสามารถบอกไดวาเกดการลม ณ เวลา
น นไดทนทวงท ดงน นเรองของการสงเกตพฤตกรรมมนษยจงมความสาคญอยางมากถาหาก
ตองการจะแกปญหาเหตการณเหลาน
งานวจยชนน จงเนนเรองของการเฝาระวงมนษยในเรองของการสงเกตทาทางอนนาไปสการ
วเคราะหพฤตกรรมตลอด 24 ช วโมงโดยใชการประมวลผลภาพเขามาชวยสาหรบการวเคราะห เพอ
ใชสาหรบการแจงเตอนไดอยางทนทวงท [7] โดยใชการตรวจจบจากวตถทเคลอนไหวในเฟรม
16
วดโอ และสเสอผ าของผ ทสวมใสเพอไดมาซงคณลกษณะของมนษยโดยอางองจากโมเดล อน
นาไปสการวเคราะหทาทางตาง เชน เดน น ง ยน นอน กม เปนตน โดยการตรวจจบ (Detection)
และตดตาม (Tracking) มความสาคญตอความถกตองของการวเคราะหทาทางมนษย และเพม
ประสทธภาพสาหรบความผดพลาดทเกดจากมมกลองจงเปนทมาของการใชกลองมากกวาหนงตว
สาหรบการวเคราะห [8] เพอใหมมมองทแตกตางในกรณของกลองตวเดยวถาหนหนาเขาหากลอง
เชน การกม จะไมสามารถวเคราะหไดวาบคคลคนน นกม สาหรบมมมองของภาพในกรณทไดจาก
กลองหลายตวจะทาใหสามารถไดมมมองทหลากหลายมากข นถาหากกมหนาใสกลองตวใดตวหนง
กลองตวอนทเหลอกสามารถวเคราะหได ทาใหสามารถวเคราะหทาทางไดมประสทธภาพมากกวา
กลองตวเดยว
1.2 วตถประสงคของโครงงาน
1.2.1 เพอวจยการวเคราะหทาทางของมนษยจากโมเดลโดยใชขอมลการเคลอนไหว และ
ขอมลความลก
1.2.2 เพอพฒนาเทคนคการสรางโมเดลมนษยในรปแบบสามมต (3D-Model) จากหลาย
มมมอง (Multi View)
1.2.3 เพอพฒนาเทคนคการรจ า (Recognition) ทาทางของมนษย
1.3 ประโยชนทคาดวาจะไดรบ
1.3.1 สามารถเฝาระวง และวเคราะหรปแบบการทากจกรรมของมนษยโดยทมนษยสามารถ
ดาเนนชวตไดอยางอสระ
1.3.2 สามารถใชประโยชนสงสดจากกลองของระบบรกษาความปลอดภย
1.3.3 ไดความรสาหรบการประยกตใชกลองสาหรบการประมวลผลภาพ (Image
Processing) ทไดจากกลองหลายมมมอง (Multi View)
1.4 งานวจยทเกยวของ
การวเคราะหทาทางมนษยโดยใชการประมวลผลภาพจากเฟรมวดโอถอเปนเรองทนาสนใจ
และไดประโยชนอยางมาก เนองจากการใชชวตในยามทไมสามารถชวยเหลอตวเองไดเตม
ประสทธภาพทาใหตองมคนมาคอยดแล รวมไปถงการวเคราะหทาทางสาหรบสงเกตพฤตกรรมท
นาสงสย จงทาใหมงานวจยทเกยวกบการรจ าทาทางมนษยจากการใชการประมวลผลภาพเกดข น
มากมาย ดงภาพประกอบท 1-1
17
ภาพประกอบ 1-1 แผนภาพแสดงประเภทของงานวจยทเกยวของกบมนษย
จากงานวจยทเกยวของกบเรองของการวเคราะหทาทางมนษยสามารถแบงกลมของงานวจย
ออกเปน 2 กลมหลก ๆคอ กลมทใชคณลกษณะของมนษยจากของจรง (Parametric Object Model)
และกลมทใชคณลกษณะมนษยจากเทมเพจ (Implicit Object Model) [12]
กลมแรกสามารถแบงไดอกเปนสองกลมคอกลมทใชคณลกษณะทางโครงสรางภายใน
รางกาย (Internal Model) ซงมเปนแบบ 2D และ 3D โดยงานวจยชนน จดอยในกลมของ Internal
Model ทเปนลกษณะของโมเดลสามมต (3D) และอกกลมคอกลมทเปนลกษณะของการดการ
เคลอนโดยเทยบกบบรเวณแลวนาไปวเคราะห (Trajectory Model)
กลมทสองสามารถแบงไดอกเปนสองกลมเชนกนคอกลมทมลกษณะเปนเทมเพจสองมต
(2D Template) และเทมเพจสามมต (3D Template) ซงไมเกยวของกบงานวจยน มากนก
1.4.1 การวเคราะหหาโมเดลมนษยในรปแบบสองมต (2D Human Modeling)
Nattapon Noorit, Nikom Suvonvorn, และ Montri Karnchanadecha [7] ไดเสนอเทคนคการ
คนหากระบวนการสรางโครงสรางมนษยข นใหมใหอยในรปแบบจาลองโครงสรางมนษยอยางงาย
ทมเพยง 3 องคประกอบสาคญของรางกาย คอ ศรษะ, ล าตว และขา ดงภาพประกอบท 1-2a โดยใช
การตรวจจบการเคลอนไหว (Motion Detection) สาหรบตรวจจบการเคลอนไหวทคาดวาจะเปน
2 มต 3 มต
N.Noorit 2008 P.Peursum 2005 H.Jiang 2006
D.Chen 2008 G.Kosta 2006 This Research
C.Wu 2009 M.F. Abdelkader 2008 N.Cuntoor 2008
N.Gkalelis 2007 A.Efros 2003 K.Hatun 2008
A.Mokhber 2008 N.Cuntoor 2006 A.Fathi 2008
กระบวนการตรวจจบเบองตน
ใชพารามเตอรสาหรบโมเดล ใชเทมเพจสาหรบโมเดล
พารามเตอรภายใน พารามเตอรการ
เคลอนท
เทมเพจ 2 มต เทมเพจ 3 มต
18
มนษย จากน นใชฮสโทแกรมของสจากบรเวณท ง 3 สวน สาหรบการตดตาม (Tracking) โดยการต ง
สมมตฐานวาล าตวจะมบรเวณขนาดของสใหญทสดเมอเทยบกบ ศรษะ และขา จงเรมจากการหา
บรเวณทใหญทสด 2 บรเวณ จากน นหาบรเวณทคาดวาจะเปนลาตวสาหรบเปนจดอางอง โดยท
ศรษะจะต งอยในตาแหนง 45° ถง 135º ในดานบน และ ขา จะอยในตาแหนง -45° ถง -135° ใน
ดานลาง ดงภาพประกอบท 1-2b ถาหากผลการหาความสมพนธตรงตามเงอนไข พนทบรเวณ ศรษะ
ล าตวและขาจะถกทาเครองหมายไวเพอใชในกระบวนการตดตามตอไป โดยงานวจยชนน จดอยใน
กลมของ Parametric Object Model -> Internal Model -> 2D
(a) (b)
ภาพประกอบ 1-2 แบบจาลองมนษยอยางงาย
N. Gkalelis, N. Nikolaidis, และ I. Pitas [8] ไดเสนอเทคนคการตรวจจบ(Detection) และ
ตดตาม(Tracking) มนษยโดยใชDiscrete Fourier Transform (DFT) เนองจากคณสมบตทไดจากการ
แปลง DFT สามารถทระบวาว ตถน นเปนวตถเดยวกนโดยไมคานงเรองของตาแหนงของมมไมวา
ว ตถน นจะหมนไปเทาไหรเมอทาการแปลง DFT กจะไดรปกราฟเหมอนกนเสมอ และถาหากวตถท
มรปรางเหมอนกนแตขนาดตางกนรปแบบของกราฟกย งคงเหมอนเดมตางกบเพยงความสงของ
กราฟโดยวตถทใหญกราฟจะมขนาดสงกวาว ตถทเลกกวา ดงภาพประกอบท 1-3
ภาพประกอบ 1-3 คณสมบตของ Discrete Fourier Transform (DFT)
19
ในงานวจยของ N. Gkalelis, N. Nikolaidis, และ I. Pitas จะถอวาทกอยางทเคลอนไหวม
โอกาสเปนไปไดท งหมดทจะเปนมนษย โดยจะนามาหาวาสงทเคลอนไหวใดตรงกนกบโมเดล
มนษยทอยในรปของแบบของท DFT ทมอยในฐานขอมล โดยการแปลงทาไดจากการนาพกเซล
รอบๆวตถทเคลอนไหวมาหารศม และมมโดยเทยบกบจดอางองตรงกลางวตถจะไดกราฟทอยใน
รปของรศมเทยบกบมม ดงภาพประกอบท 1-4 จากน นนาไปเทยบวาใกลว ตถใดคอมนษย โดย
งานวจยชนน จดอยในกลมของ Implicit Object Model -> 2D Template แตกมบางงานวจยจะสมมต
ใหว ตถทเคลอนไหวในเฟรมวดโอท งหมดทไดจากการตรวจจบการเคลอนไหว(Motion Detection)
เปนมนษย [5][6] เชน งานวจยของ C. Canton-Ferrer และ M. Ahmad and Seong-Whan Lee
ภาพประกอบ 1-4 การแปลง Discrete Fourier Transform (DFT)
Daniel Chen, Pi-chi Chou, Clinton Fookes และ Sridha Sridharan [9] ไดเสนอเทคนคการ
ตรวจจบ (Detection) และตดตาม (Tracking) มนษยจากสมมตฐานทวามนษยจากมมสองมตจะม
ลกษณะเปนเหมอนรปดาวทมลกษณะเปน 5 แฉก โดยเรมจากการหาระยะหางจากเสนรอบรปโดย
เทยบกบจดศนยกลางของวตถทเคลอนไหวมาทาการพอรตกราฟ หลงจากน นทาการเลอกจดทม
ระยะหางจากจดศนยกลางมากทสด 5 จด จากจดทมความชนเทากบศนย เพอนาไปวเคราะหความ
เปนไปไดทจะเปนมนษย ถาว ตถทตรวจพบเปนมนษยจะพบวาระยะของจดทเปน ศรษะ และขาท ง
สองขางจะมระยะใกลเคยงกน แตจะยาวกวามอท งสองขางทมระยะใกลเคยงกน ดงภาพประกอบท
1-5 (a) เนองจากพบวาการทก าหนดจดอางองอยบรเวณตรงกลางของวตถจะสามารถตรวจจบไดด
เมอบคคลน นหนดานขางแตจะมขอผดพลาดถาบคคลน นหนหนาเขาหากลอง จงไดมวธแกไขโดย
การย ายจดอางองไปอยบรเวณสวนบนของลาตวทาใหประสทธภาพสาหรบการตรวจจบดข น ดง
ภาพประกอบท 1-5 (b)
20
(a) (b)
ภาพประกอบ 1-5 ตวอยาง Star Skeleton
1.4.2 การวเคราะหหาโมเดลมนษยในรปแบบสามมต (3D Human Modeling)
Daniel Chen, Pi-chi Chou, Clinton Fookes และ Sridha Sridharan [9] ไดเสนอเทคนคการ
สรางโมเดลมนษยสามมตจากภาพสองมต (3D Reconstruction) โดยการใชพารามเตอรจากจดทได
จากอลกอรทม Star Skeleton ทมาจากหลายมมมองซงจะไดจดท งหมด 5 จดตอหน งกลอง คอ
ศรษะ มอ และขาท งสองขาง โดยจะทาการแยกสของจดทคาดวาจะเปนจดเดยวกน เชน มอทม
ระยะหางนอยกวาศรษะและขา เปนสน าเงน ขาทยาวกวามอและมระยะใกลเคยงกนสองจดใหเปนส
เขยว และศรษะคอจดทมระยะไมใกลเคยงกบท งสจดใหเปนสแดง จากน นนาคาทคาดวาเปนจด
เดยวกนจากมมมองทตางกนโดยกลองท งหมดผานการทาใหเปนมาตรฐานสาหรบการหาจดทเปน
ตาแหนงเดยวกนในแตละมมมอง เพอนามาทาการคานวณจดในสามมต ดงภาพประกอบท 1-6 โดย
ความแมนย าจะแปรผนตรงกบจานวนของมมมอง โดยงานวจยชนน จดอยในกลมของ Parametric
Object Model -> Internal Model -> 3D
ภาพประกอบ 1-6 ผลลพธจากการทาโมเดลมนษยทเปนสามมต
C. Canton-Ferrer [5] ไดเสนอเทคนคการสรางโมเดลมนษยสามมต จากการนาขอมลจาก
หลายมมมอง (Data Fusion) เปนหลกโดยเรองของโครงสรางมนษยใหความสนใจรองลงมา ดง
ภาพประกอบท 1-7 (a) ทผานการคาลเบตสาหรบการหาจดทเปนตาแหนงเดยวกนในมมมองท
21
ตางกน โดยนาเฉพาะสวนทมการเคลอนไหวทสาคญ (Foreground) ซงไดจากการใชอลกอรทมของ
Stauffer-Grimson [10] เปนการตรวจจบการเคลอนไหวโดยการนาภาพมาลบกบพนหลง
(Background Subtraction) เพอนามาสรางภาพใหมทเปนสามมตเพอระบตาแหนงของบคคลภายใน
หอง ดงภาพประกอบท 1-7 (b)
(a) (b)
ภาพประกอบ 1-7 ผลลพธจากการนาภาพจากหลายมมมองมาทาเปนภาพสามมตเพอระบตาแหนง
1.4.3 การวเคราะหทาทาง (Action Analysis)
Nattapon Noorit, Nikom Suvonvorn, และ Montri Karnchanadecha [7] วเคราะหทาทางโดย
ใชพารามเตอรทไดจากโมเดลมนษยจากสามจดคอ ศรษะ ล าตว และขา ในขณะทย งไมมการ
เคลอนไหว ณ เวลา ti จะมพารามเตอรทเกดข นสองตวคอ v และ v โดยในขณะทมการ
เคลอนไหว ณ เวลา ti + 1 จะมพารามเตอรเกดข นเพมอกสามตวคอ v v และ v ดง
ภาพประกอบท 1-8
ภาพประกอบ 1-8 ตนแบบมนษยอยางงายและพารามเตอรท งหมด ณ ขณะเวลา ti และ ti+1
푣
푣
푣
푣
푣
푣
푣
푡푡
22
สาหรบการวเคราะหทาทางพนฐานมท งหมด 5 ทาทาง ไดแก การยน การกม การน ง การเดน
และการนอนราบ ดงภาพประกอบท 1-9 โดยแบงทาทางออกเปน 2 ลกษณะคอ ทาทางสถต (Static
Action) ซงจะจดอยในกลมแบบจาลองสถต และทาทางพลวต (Dynamic Action) ซงจะจดอยใน
กลมแบบจาลองพลวต เชน = = = 0 เปนสมการทแสดงวาไมมการ
เคลอนทของบคคลแปลความหมายไดวาบคคลน นยนอยโดยไมมการเคลอนท
(a) (b)
(c) (d)
ภาพประกอบ 1-9 ทาทางพนฐาน (a) กม (b) น ง (c) นอนราบ (d) ยน หรอ เดน
สาหรบการวเคราะหทาทางจะมล าดบของการเปลยนแปลงตามความเปนไปไดทสามารถ
เกดข นได โดยแสดงตนแบบการแสดงทาทาง ลกศรเสนทบ และหมายเลขกากบแสดงถง
คณลกษณะทไดก าหนดไวตามลาดบสมการขางตน ลกศรเสนประแสดงการเปลยนสถานะทไมได
ก าหนดคณลกษณะในงานวจยน ดงภาพประกอบท 1-10 ซงเงอนไขการเปลยนสถานะเปนไปตาม
สมการดงตอไปน
(1) (v = 0° ∓ 30°, v = 180° ∓ 30°, = = = 0∓ 3)
(2) ( < 0), (3) (
> 0), (4) (v = 180° ∓ 30°, = = 0∓ 3),
(5) ( < 0), (6) (v = 0° ∓ 30°, = 0 ∓ 3), (7) (
> 0),
(8) ( ≅ ≅ > 3), (9) (
> ≥ > 3)
23
ภาพประกอบ 1-10 แผนภาพแสดงการสถานะจากดการเคลอนไหว
C. Wu, A. H Khalili, และ H. Aghajan [11] วเคราะหทาทางโดยการใชขอมลจากกลอง
มากกวาหนงตวซงมมมมองแตกตางกนสาหรบมองไปย งสภาพแวดลอมตางๆ ดงภาพประกอบท 1-
11 วเคราะหจากการแยกขอมลของกลองแตละตวเพอหาเหตการณโดยนาขอมลจากกลองตางๆมา
รวมกนสาหรบการวเคราะหทาทาง
ภาพประกอบ 1-11 ตาแหนงการตดต งกลอง และตวอยางภาพจากสองมมมอง
24
สาหรบการวเคราะหทาทางมนษยโดยใชการตรวจจบการเคลอนไหว (Motion Detection)
โดยนาเฉพาะสวนสาคญทมการเคลอนไหว (Foreground) จากน นทาการวเคราะหสถานททเกดการ
เคลอนไหวโดยอางองตามตาแหนงของกลองแตละตว เชน ถากลองตวท 5 สามารถตรวจจบการ
เคลอนไหวไดแสดงวามนษยอยในหองน งเลน เปนตน
ภาพประกอบ 1-12 แผนภาพแสดงการสถานะจากดการเคลอนไหว
การวเคราะหทาทางจะใชขอมลจากหลายกลองมาหาความสมพนธทนาจะเปนไปไดสาหรบ
เหตการณทมโอกาสเกดข น ดงภาพประกอบท 1-12 ถาหากบคคลกาลงน ง และอยในหองเรยน ม
โอกาสทจะ กนขาว, พมพดด และอานหนงสอ ดงตารางท 1-1 แตถาไมอยในหองเรยนใน
ขณะเดยวกนกลองตวท 4 มการตรวจจบใบหนาไดกแสดงวาบคคลน นกาลงน งด TV เปนตน
สาหรบวธวเคราะหทาทางหลงจากการจาแนกในเบองตนใชวธ Bag-of-features (BoF) จากภาพท
ไดรบจากกลองเพอเกบขอมลสาหรบเปนอนพตให Support Vector Machine (SVM) ทเปนวธการ
สาหรบการวเคราะหเหตการณจากการสอนระบบจากขอมลทสงเขามา โดยงานวจยชนน จดอยใน
กลมของ Parametric Object Model -> Trajectory Model
ตารางท 1-1 แสดงความสมพนธระหวางพนทกบเหตการณ
ตาแหนง พฤตกรรม
หองครว ตด, กวน, ดดฝ น, อนๆ
หองกนขาว กน, ดดฝ น, อนๆ
หองน งเลน ด TV, อานหนงสอ, ดดฝ น, อนๆ
หองอานหนงสอ เขยนหนงสอ, อานหนงสอ, ดดฝ น,
อนๆ
25
1.4.4 สรปงานวจยทเกยวของ
ในงานวจยของ Nattapon Noorit, Nikom Suvonvorn, และ Montri Karnchanadecha [7]
สามารถระบทาไดอยางแมนย า และรวดเรว ในงบประมาณทต าเนองจากใชกลองเพยงตวเดยวซง
การใชกลองเพยงตวเดยวน เองทาใหเกดปญหาการระบทาทางในมมมองทนอยกวาทาใหไมสามารถ
ระบทาทางในขณะทมนษยหนหนาเขาหากลองได N. Gkalelis N. Nikolaidis และ I. Pitas [8] , C.
Canton-Ferrer [5] , C. Wu A. H Khalili และ H. Aghajan [11] สามารถระบทาไดท งมมมองหนา
ตรง และมมดานขาง โดยใชภาพในมมมองทมากกวา 1 มมมองจงทาใหการประมวลผลทาไดชา
งบประมาณทคอนขางสง และการวเคราะหการเปนไปไดทจะเปนมนษยย งทาไดไมด Daniel Chen,
Pi-chi Chou, Clinton Fookes และ Sridha Sridharan [9] สามารถระบทาทางไดทกมมมองโดยใช
ภาพในมมมองทมาก และมการวเคราะหความเปนไปไดทเปนมนษยสงทสนใจ เนองจากการใช
มมมองทมากทาใหการประมวลผลทาไดชามาก และงบประมาณกสงตามจานวนมมมองทใช ซง
การตดต งระบบกทาไดยากเชนกน ตารางท 1-2 เปนการเปรยบเทยบงานวจยทเกยวของ
ตารางท 1-2 เปรยบเทยบงานวจยทเกยวของ
ชอผ ท าวจยท
เกยวของ
ว ตถหนขาง
ใหกลอง
ว ตถหนหนา
ใหกลอง
ความเรวใน
การ
ประมวลผล
การตรวจสอบ
การเปนมนษย
งบประมาณตา
N.Noorit [7] / X / / /
N. Gkalelis
[8]
/ / X X X
D.Chen [9] / / X / X
C. Canton [5] / / X X X
C. Wu [11] / / X X X
งานวจยน / / / / /
จากงานวจยของ Nattapon Noorit, Nikom Suvonvorn, และ Montri Karnchanadecha [7] ท
สามารถระบทาไดอยางแมนย า และรวดเรว ในงบประมาณทต า แตไมสามารถระบทาทางจาก
26
มมมองดานหนาไดเนองจากใชเพยงมมมองเดยวในการประมวลผล แตจากงานวจยอนแกปญหาน
โดยการใชภาพจากมมมองทมากกวา 1 มมมองมาทาการแกปญหาน สาหรบในงายวจยน ใชภาพจาก
แค 2 มม โดยการใชพารามเตอรมาประมวลผลไมไดใชท งภาพเหมอนในบางงานวจยทกลาวมาทา
ใหลดการประมวลผลไปไดมาก และงบประมาณทต ากวาจากการใชเพยง 2 กลอง
1.5 ขอบเขตของการวจย
1.5.1 สามารถวเคราะหไดมท งหมด 5 ทาทาง คอ การเดน การนอน การน ง การยน การกม
1.5.2 สามารถคนหา และระบไดวาสงทตรวจพบเปนมนษยจรงๆโดยจะตองมความแมนย า
มากกวา 90% ซงการระบลกษณะอางองจากโมเดลมนษยอนนาไปสการใชวเคราะห
หาทาทางมนษย
1.5.3 สามารถใชงานไดในสภาพแวดลอมจรง
1.6 ขนตอนและวธการดาเนนงานวจย
การดาเนนงานของโครงงานน จะแบงออกเปน 4 ชวงหลกๆดงน คอ
1.6.1 พฒนาเทคนคการตรวจจบ และตดตาม มนษยใหไดโดยอางองจากโมเดลทได
ออกแบบไวไมวาจะเคลอนไปทใดโดยสามารถใชงานไดในหลายสภาวะแวดลอม
ตางๆโดยจะตองมความแมนย ามากกวา 90% ของสาหรบกลองแตละตว
1.6.2 พฒนาเทคนคการสรางโมเดลสามมต(3D-Model)โดยนาคณลกษณะทมาจากกลองแต
ละตวในมมมองทตางกน(Multi-View) สงทไดจะตองเปนโมเดลมนษยทมองจากมม
ดานขางเสมอ และไดพารามเตอรเพอเขาสกระบวนการวเคราะหทาทาง
1.6.3 พฒนาเทคนคการวเคราะหทาทางจากของเดมทมอยแลว โดยรบพารามเตอรสาหรบ
การวเคราะหจากโมเดลสามมต(3D-Model)
1.6.4 รวมระบบทไดพฒนารวมกบซอฟแวรระบบรกษาความปลอดภยโดยใชกลองวงจรปด
27
บทท 2
ทฤษฎและหลกการ
2.1 การตรวจจบการเคลอนไหว
2.1.1 การหาคาเฉลยอยางตอเนอง (Running average)
พฤตกรรมบคคลเกดข นเมอเกดการเคลอนไหว ดงน นข นตอนแรกจงจาเปนตองมการ
ตรวจจบวตถเคลอนไหวตาง ๆ ทเกดข นเพอใชเปนเงอนไขเรมตนในการตดตามพฤตกรรมของ
บคคล กระบวนการตรวจจบความเคลอนไหวสามารถทาไดโดยใชเทคนคการลบพนหลง
(Background Subtraction) ซงอธบายไดโดยสมการดงน
F (x, y) = 0if|img (x, y) − B (x, y)| > Th1else
�
(2.1)
B (x, y) = αimg (x, y) + (1 − α)B (x, y)ifF (x, y) = 1B (x, y)else
�
(2.2)
กาหนดให img (x, y)เปนคาของจดภาพ ณ ตาแหนงพกด(x,y) ของลาดบภาพท i
B (x, y) และ B (x, y) เปนคาของจดภาพ ณ ตาแหนงพกด(x,y) ทถกก าหนดเปนพนหลง
ของลาดบ ภาพท i+1 และ i ตามลาดบ
F (x, y) เปนคาของจดภาพ ณ ตาแหนงพกด(x,y) ทถกก าหนดเปนพนหนาของลาดบภาพ
ท i+1
α เปนตวแปรซงใชก าหนดคาน าหนกในการปรบปรงคาจดภาพทเปนพนหลง
จากสมการ (2.1) แสดงใหเหนถงการคานวณบรเวณทเกดการเปลยนแปลงลาสด โดยใชคา
ภาพทเฟรมลาสดลบดวยคาภาพพนหลงล าดบกอนหนา ถาผลการคานวณคาความแตกตางสมบรณ
ทจดภาพใดมคามากกวาขดแบง Th คาจดภาพ F (x, y) จะถกกาหนดคาเปน 0 ซ งหมายถง
จดภาพเหลาน เกดการเปลยนแปลงคาสอยางมาก และอาจเปนไปไดวาอาจเปนบรเวณทเกดการ
เคลอนไหวของวตถใด ๆ หลงจากข นตอนน ภาพ F จะถกปรบปรงโดยเทคนคการดาเนนการปด
และการดาเนนการเปดเพอลบจดภาพเดยว ๆ หรอกลมจดภาพทมขนาดเลกมาก ทาให F เหลอ
เพยงวตถเคลอนไหวทมขนาดใหญเทาน นซงบรเวณเหลาน จะถกคาดหมายวาเปนวตถเคลอนไหว
28
ซ งอาจเปนมนษย โดยบรเวณทถกตรวจพบวาเปนวตถเคลอนไหว (พนหนา) จะไมถกนาไป
ปรบปรงคาพนหลงตามเงอนไขในสมการ (2.2)
จากสมการ (2.2) พกดจดภาพทไมถกตรวจพบเปนวตถเคลอนไหว (F (x, y) มคาเปน 1) จะ
เปนเงอนไขในการพจารณาการปรบปรงภาพพนหลง B โดย คา B (x, y) จะถกปรบปรงโดย
อาศยคาจากสองสวน ไดแก คาพนหลงเดม B (x, y) และคาจากภาพเฟรมลาสด img (x, y)
โดยใชคา α เปนตวแปรกาหนดน าหนกอตราสวนของการปรบปรงคา B (x, y) ยงคา α มคา
มาก คา B (x, y) กจะมคาลเขาใกลคา img (x, y) มาก ภายในงานวจยน เลอกใชคา α เทากบ
0.05
อยางไรกตาม วธการน กย งคงใชคาขดแบงแบบคงท ไมไดก าหนดกระบวนการคานวณคาขด
แบงอยางชดเจน และวธการน ย งคงมพนฐานอยบนการอางองคาเพยงคาเดยวซงทาใหไมสามารถ
จดการกบคาพนหลงทมการกระจายหลายรปแบบได
(a) (b)
ภาพประกอบ 2-1 ตวอยางผลการลบพนหลงโดยการหาคาเฉลยอยางตอเนอง (a) เฟรมปจจบน (b)
ภาพวตถเคลอนไหว
2.1.2 การสรางพนหลงจากการผสมของระเบยบวธเกาสเซยนหลายรปแบบ (Mixture of
Gaussian)
เทคนคน เปนการสรางโมเดลของภาพพนหลงทสามารถปรบคาใหเปนปจจบนไดตลอดเวลา
ใหเหมอนกบพนหลงของทกๆเฟรมปจจบน ทมว ตถเคลอนทเกดข นภายในเฟรมน นๆ แตละจดส
ของเฟรมภาพจะถกแยกประเภทเปนจดสของภาพพนหลง หรอจดสของวตถดวยวธเกาสเซยน
ดสทรบวชนทมากกวา 1 ทมประสทธภาพในการหาโมเดลของภาพพนหลงทมความซบซอน
กลาวคอในสภาพแวดลอมจรงทมการเปลยนแปลงทไมแนนอนของสภาพแวดลอม เชน ความเขม
29
ของแสง เงาจากตนไม หรอเงาจากอาคารตางๆ ทาใหคาของจดสทตาแหนงเดมของแตละลาดบ
เฟรมภาพเปลยนแปลงตามสภาพอากาศ และสภาพแวดลอมได ทาใหการสรางโมเดลของภาพพน
หลงเพยงหนงโมเดลอาจจะไมเพยงพอกบภาพวดโอทมความซบซอน
ตวอยางทนาสนใจอยางยง คอ จากงานวจยของ (C.Stauffer,1999) สรางโมเดลภาพพนหลง
ทมหลายคาเพอแกปญหาการของจดสของภาพพนหลงทมหลายคา ทาใหการแบงประเภทจดส
ถกตองมากยงข น ซงความนาจะเปนของการพจารณาคาจดส สามารถอธบายไดดงสมการ (2.3)
푃(푥 ) = ∑ 휔 , 휂(푥 − 휇 , ∑ , ) (2.3)
ก าหนดให
퐾 คอ จ านวนของการกระจายของเกาสเซยน
휔 , คอ คาน าหนกของเกาสเซยนตวท ith ทเวลา t
휇 , คอ คาเฉลยของเกาสเซยนตวท ith ทเวลา t
∑ , คอ คาความแปรปรวนรวมของเกาสเซยนตวท ith ทเวลา t
휂 คอ Gaussian Probability Density Function
เกณฑในการแยกประเภทจดส วาเปนจดสของภาพพนหลงหรอจดสของวตถเคลอนท หาได
จากเมอพจารณาจดสคาแอมพลจดสงสดจะมคาของสวนเบยงเบนมาตรฐานเปน σ ดงภาพประกอบ
2-2 ถาดสทรบวชนทมความหนาแนนมากจะเปนสวนของภาพพนหลง ดงสมการ (2.4)
ภาพประกอบ 2-2 การแยกประเภทจดส ของวธ Mixture of Gaussians
30
∑ 휔 > 푇 (2.4)
เมอ T คอ คาขดแบง
จากสมการ(2.4) ถาแอมพลจดของดสทรบวชนมคามากกวาคาขดแบงดสทรบวชนน นจะเปน
สวนของภาพพนหลงและทาการปรบคาพารามเตอร(휔 , , 휇 , , 휎 , ) ใหเปนปจจบน แตถา
นอกเหนอจากน ดสทรบวชนน นจะกลายเปนสวนของวตถทเคลอนทในเฟรมภาพ ตวอยางผลจาก
วธ Mixture of Gaussians ดงภาพประกอบ 2-3
(a) (b)
ภาพประกอบ 2-3 ผลจากวธ Mixture of Gaussians (a) ภาพวดโอตดตอเฟรมปจจบน (b) ภาพวตถ
เคลอนท
2.2 การตดตามสโดยใช Mean-Shift
Mean-shift algorithm [3] [4] เปนวธการหยาบๆของการหาความแนนอนเฉพาะทในการจด
วางขอมลซงเปนกระบวนการงายๆในการจาแนกอยางตอเนอง ในคาอธบาย เปนสงทจ าเปนอยางยง
ในการนามาประยกต hill climbing ในการจาแนกความหนาแนนของขอมล อยางไรกตาม สาหรบ
ความไมตอเนองของการวางขอมล ถอเปนปญหาเลกนอยทไมสาคญมาก ไดมผ อธบายวา การ
นามาใชเพอความเขาใจทางสถต น นคอ Mean-shift ไมยอมรบขอมลทมาจากภายนอกน นหมายถง
เปนการไมยอมรบจดทเปนขอมลซงอยไกลจากจดสงสดของขอมล วธการคอ ประมวลเฉพาะจด
น นภายใน local window ของขอมลและจากน นกจะนาออกจาก window น นเอง
สาหรบโครงงานน ใช Cam-Shift สาหรบการตดตาม (tracking) โดย Cam-Shift จะตางจาก
Mean-shift กตรงท Cam-Shift สามารถปรบเปลยนขนาดของกรอบทตดตามวตถไดเทาน นเอง
มข นตอนของอลกอรทมดงน
ข นตอนท 1 เลอกสงทเราสนใจทจะตดตามทมความเปนไปไดทจะจาแนกได
ข นตอนท 2 ตกรอบเรมตนของสงทตองการจะตดตาม
ข นตอนท 3 ค านวณสทเปนไปไดสาหรบการจาแนก (Histogram)
31
ข นตอนท 4 หาคา center of mass ของคาทเปนไปไดของรปและเกบคา zero
moment (distribution area) และ center of mass location.
ข นตอนท 5 เลอน frame จดกงกลางของกรอบคอจดทหาไดจากข นตอนท 4 และ
ขนาดของกรอบคอคาทหาไดจากฟงกช นหา zero moment จากน นกลบไปทา
ข นตอนท 3
2.2.1 Histogram
การหา Histogram จะหาจากคา ROI (Region of Interest) ทไดจากข นตอนท 1 หาโดยใช Hue
channel ใน HSV color model สาหรบการหาโดยการหาจะนาคาทหาไดเกบเอาไวเพอทจะลดการ
คานวณ ความซบซอน และสามารถจดกลมทเหมอนใหอยดวยกนได และสามารถกาหนดขนาดได
ดงภาพประกอบท 2-4 ในกรอบสเหลองคอวตถทเราสนใจจะตดตาม (tracking) และภาพประกอบท
2-5 คอ histogram ของวตถทจะตดตาม
ภาพประกอบ 2-4 Original Image
ภาพประกอบ 2-5 Histogram
32
2.2.2 Histogram Back-Projection
Back-Projection โดยเรมแรกจะเปนการคานวณความสมพนธระหวางคาในจด (pixel) ของ
รปท งหมดนามาเทยบหาคาทตรงกนกบคาใน Histogram ทเกบไว โดยการคานวณสามารถคานวณ
ไดจากสมการดงน
q = ∑ ρ[c(x ) − u] (2.5)
p = min( )
q , 255…
(2.6)
เปาหมาย คอ ความเปนไปไดท งหมดของเฟรมวาคาในแตละจด (Pixel) ของรปทมคาตรงกบ
คาใน Histogram ดงภาพประกอบท 2-7 โดยสวนทเปนสขาวคอผลจากการทคาในจด (pixel) ตรง
กบคาของ histogram ของวตถทสนใจ โดยวตถทสนใจในรปคอหมวกทโดนตกรอบ ดง
ภาพประกอบท 2-6
ภาพประกอบ 2-6 Original Image
ภาพประกอบ 2-7 Back-Projection Image
33
2.2.3 Mass Centre Calculation
Center of mass คอจดศนยกลางของกรอบทตอยรอบๆสงทก าลงตดตาม โดยสามารถ
คานวณหาจด center of mass สามารถคานวณไดดงตอไปน
ค านวณหาคาจดศนยกลาง
M =∑ ∑ I(x, y)
ค านวณหาคาจดศนยกลางของ x และ y เรมตน
M =∑ ∑ xI(x, y)
M =∑ ∑ yI(x, y)
ค านวณหาคาเฉลย
x = ; y = โดยกาหนดให I(X, Y) คอ intensity ของ pixel น น
2.3 การประมวลผลภาพแบบสเตอรโอ
การประมวลผลภาพแบบสเตอรโอ (Stereo Vision) เปนการประมวลผลภาพททาใหไดขอมล
ความลกของวตถในภาพ ซงเกดจากการนาภาพสองภาพจากกลองทถายจากมมมองทอยในระนาบ
เดยวกนโดยกลองจะตองมระยะหางคาหน งมาประมวลผลภาพ โดยจบค เปรยบเทยบ (Stereo
Matching) ตาแหนงของภาพทเปนจดเดยวกนระหวางภาพซาย และภาพขวา โดยเรยกระยะหาง
ระหวางจดท งสองจดน วาดสพารท (Disparity) ซ งกระบวนการจบคน สามารถนาไปคานวณหา
ความลกของวตถไดแสดงตวอยาง ดงภาพประกอบท 2-8
Left Image Right Image
Disparity Image
ภาพประกอบ 2-8 ตวอยาง ภาพจากกลองซาย, กลองขวา และภาพทผานการจบคจากท งสองกลอง
34
2.3.1 ลกษณะทางเลขาคณต (Epipolar Geometry)
เปนการคานวณหาระยะของจดทสนใจเทยบกบกลองทอยในระนาบเดยวกนโดยใชลกษณะทาง
เรขาคณตเขามาชวยในการคานวณ โดยการวางตาแหนงของกลองในแบบจาลองจะถกตดต งใน
ลกษณะทอยในระนาบเดยวกนในทางแกน X โดยระยะหางจากจดศนยกลางของกลองท งสองคอจด
b (Base Line) ซงจดทเราสนใจเมอมาอยบนภาพท งสองระยะหางของท งสองจดเรยกวาดสพารท
และระนาบสามเหลยมเมอเทยบจากจดบนภาพซายไปย งจดทเราสนใจจากภายนอกผานจดบนภาพ
ขวา ดงภาพประกอบท 2-9a เสนสแดงเรยกวา Epipolar Plane และเสนทเกดการตดกนของระนาบ
ภาพกบ Epipolar Plane เรยกวา Epipolar Line ซงหมายถงเสนทกลองขวามองเหนทศทางการพงไป
ย งจดทสนใจของกลองซายจากตาแหนงของกลองขวาน นคอ Epipolar Line ในกลองขวา ซงกลอง
ซายกมลกษณะวธการเดยวกน ดงภาพประกอบท 2-9a เสนสน าเงน
(a) (b)
ภาพประกอบ 2-9 ลกษณะทางเลขาคณตทสมพนธกนระหวางกลองท งสอง
ดงภาพประกอบท 2-9b สามารถหาระยะจากจดทสนใจเทยบกบกลองไดจากการใช
คณสมบตของสามเหลยมคลาย โดยทจด 퐏퐥 และ 퐏퐫 คอจดทสนใจซงอยบนระนาบภาพซาย และ
ระนาบภาพขวาตามลาดบ และ f คอ ระยะโฟกสของกลองท งสองในทน คอ 퐂퐥 และ 퐂퐫 ซงกคอ
ตาแหนงศนยกลางของเลนสกลองซาย และกลองขวา ซง X คอระยะจากจดศนยกลางเลนสกลอง
ซาย (퐂퐥) เทยบกบจด P ซงกคอจดทเราตองการจะหาระยะ Z น นเอง โดยทสมการหาคา Z หาได
จากการเปรยบเทยบสามเหลยมคลายดงสมการท (2.7), (2.8) และ (2.9) ตามลาดบ
จากสามเหลยมคลาย 퐏퐌퐂퐥 และ퐏퐥퐋퐂퐥 จะไดสมการดงน
퐗퐙= 퐗퐥
퐟 (2.7)
35
จากสามเหลยมคลาย 퐏퐍퐂퐫 และ퐏퐫퐋퐂퐫 จะไดสมการดงน
퐗 퐛퐙= 퐗퐫
퐟 (2.8)
แทนสมการ(2.7) ในสมการ (2.8)
퐙 = 퐛퐟퐗퐥 퐗퐫
(2.9)
จากสมการท (2.9) แสดงใหเหนวาสามารถหาระยะหางระหวางจดทสนใจกบจดศนยกลาง
เลนสของกลองได จากสมการ โดยใชทคา 퐗퐥 − 퐗퐫 ซงกคอคา ดสพารท น นเอง
2.4 3D reconstruction
สาหรบงานวจยน เรองของการโมเดลภาพสามมตจะไมใหความสาคญเรองของความแมนย า
ของคาพารามเตอรใน( x, y, z ) มากนก แตจะใหความสาคญเรองความสมพนธของขอมลความลกท
เปลยนไปของจดทสนใจมากกวา จากตวอยางเปนวธการวเคราะหทาทางโดยแบงใชพนทในภาพ
เขามาผนวกกบขอมลความลก โดยทสวนทเปนสแดงจะอยหางจากกลองมากกวาสวนทเปนสเขยว
[13] ซงการวเคราะหจะใชแควาถาสวนทเปนสแดงอยในบรเวณภาพ Q1 ซงกคอมสวนทเขาใกลยน
เขาใกลกลองมากกวาสวนอนกสามารถวเคราะหไดวาเปนการยกมอซาย ดงภาพประกอบท 2-10
ภาพประกอบ 2-10 ตวอยางการวเคราะหทาทางการยกมอโดยใชภาพสามมต
36
2.5 Morphological
Morphological Image Processing เปนการประมวลผลภาพโดยการเปลยนแปลงลกษณะ
รปรางหรอโครงสรางของภาพ โดยม structuring element เปน input เพอทจะประมวลผลโดยใช
operator ตางๆมากระทา เชน การนามา intersection, union เปนตน [1]
โดยปกต structuring element เปนเมกตรกซ ขนาด 3 คณ 3 มจดกาเนดท center โดยกระบวน
ของอลกอรทมนคอ กลม pixel ของ structuring element จะถกนาไปเปรยบเทยบกบกลม pixel ของ
ภาพ ไปเรอย ๆ จนท วท งภาพตนแบบ หาก 2 กลม pixel ใดททาการเปรยบเทยบสามารถจบคกนได
ลงตว ภายใตเงอนไขของ operator ทเอามาใช จะทาใหเกดการเปลยนแปลงของกลม pixel น น ๆ จะ
ทาใหเกดการเปลยนโครงสรางของภาพใหม เรยกเทคนคน วา การ hit และ Miss
โดยโอเปอเตอรตางๆจะถกรวมไวอยในโอเปอรเรช นพนฐานไดแก Dilation, Erosion และ
Skeleton โดยการ Dilation คอการขยายภาพโดยมสดสวนเทากนท วท งภาพ (Uniform) การ Erosion
คอการยอภาพ สวนการทา Skeleton เปนการหาโครงสรางหลกของวตถซงจะกลาวโดยละเอยดตอ
จากน นอกจากโอเปอเรช นพนฐานดงทไดกลาวขางตนแลวย งมโอเปอเรช นอนไๆดแก การ Opening
และ closing เปนตน
การทา Morphological สามารถนาไปประยกตใชไดกบ ภาพ Grey-level ไดเชน นาไปลด
noise ของภาพ หรอ จะปรบความสวางของภาพ เปนตน อยางไรกตาม การทา Morphological
operations เปนเพยงสวนหนงของ Image processing ย งมกระบวนการอน ๆ อกมากมายทสามารถ
นามาใชปรบแตงโครงสรางภาพใหมความเหมาะสมตามความตองการของผ ใชเองแตในโครงงานน
ใชเพยง การกดกรอนภาพ (Erosion) และการพอกภาพ (Dilation)
2.5.1 การกดกรอนภาพ (Erosion)
การกดกรอนภาพเปนลกษณะของการลบขอมลภาพบรเวณขอบของภาพ การกดกรอนภาพ
สามารถทาไดมลกษณะคลายกบการพอกภาพโดยการสราง Template ข นแลวนา Template ไป
สแกนตามขอมลภาพสาหรบทกตาแหนงทเลอน Template ไปบนภาพกจะมการเปรยบเทยบกบ
ขอมลภาพ ถาขอมลภาพมความเหมอนกบ Template จะทาการกาหนดคาขอมลภาพในตาแหนงท
ตรงกบจดเรมตน (Origin) ของ Template ถกก าหนดใหมคาเทากบ 1
37
ภาพประกอบ 2-11 ตวอยางขอมลภาพ และ Template การทา Erosion
ผลทไดจะมเพยง 3 ตาแหนงเทาน นทมคาเหมอนกบ Template
ภาพประกอบ 2-12 ตวอยางผลลพธการทา Erosion
ผลทไดดงภาพประกอบท 2-12 ขอมลภาพทผานการทาโอเปอเรช นกบ Template แลวพบวา
มขอมลของภาพเพยง 3 ตาแหนงเทาน นทเหมอนกบ Template ถามการเปลยน Template เปน
ผลทไดมลกษณะดงน คอ
38
ภาพประกอบ 2-13 ผลลพธเมอทาการเปลยนแปลง Template
ผลทไดดงภาพประกอบท 2-13 จะเหนวาเปนการยอขนาดภาพแตยอไดนอยกวาเมอใช
Template แรก จะเหนไดวาการเลอก Template เปนสงสาคญอยางหนงในการยอและขยายภาพ
ผลของการทา Erosion ยอพนหนา ขยายพนหลงในภาพแบบ Gray level สามารถกาจด “salt
noise” (จดเลก ๆ สขาวบนภาพ) ออกไปไดลดความสวางของภาพ แยกวตถออกเปนสวน ๆ (เหนได
ชดในภาพแบบ Gray level) โดยลดขอบของวตถในภาพลง
(a) (b)
ภาพประกอบ 2-14 ภาพกอนทาและหลงทา Erosionจากตวอยางจะเหนวาหลงจากการทา Erosion
ทาให “salt noise” จดเลก ๆ สขาวในภาพหายไป
39
2.5.2 การพอกภาพ (Dilation)
การขยายภาพในทน จะพจารณาสาหรบขอมลภาพทเปนแบบไบนาร โดยการใชเทคนคการ
Hit และ Miss ตามทไดกลาวไวการพอกภาพจะทาไดโดยกาหนด Template (ซงสามารถสรางได
จาก * และ 1 โดยมจดเรมตนทก าหนดโดยวงกลม) และนา Template น สแกนไปบนขอมลภาพ
ตามลาดบตลอดท งภาพซงในขณะทจดเรม (Origin) ของ Template ตรงกบตาแหนง ขอมลภาพท
พกเซลมคาเทากบ 1 น นกจะทาการยเนยน Template น เขากบขอมลภาพดงตวอยาง
ภาพประกอบ 2-15 ตวอยางขอมลภาพ และ Template การทา Dilation
ขอมลแถวแรกของภาพเปนดงน
* * * * * * 1 * * 1 *
เมอทาการยเนยนกบ Template ณ.ตาแหนงขอมลภาพทพกเซลเทากบ 1 ในแถวแรก
* * * * * * 1 * * 1 *
* * * * * * 1 1 * * *
และเมอยเนยนกบ Template เขากบพกเซลทมคาเทากบ 1 ณ. ตาแหนงพกเซลทสองในแถว
แรก
* * * * * * 1 * * 1 *
* * * * * * 1 1 * 1 1
และเมอทาการยเนยนท งภาพจะไดภาพสดทายดงน
40
ภาพประกอบ 2-16 ตวอยางผลลพธการทา Dilation
ผลของการทา Dilation ขยายพนหนา ยอพนหลงในภาพแบบ Gray level สามารถกาจด
“pepper noise” (จดดาเลก ๆบนภาพ) ออกไปไดเพมความสวางของภาพทาใหเสนขอบเรยบข น
(a) (b)
ภาพประกอบ 2-17 ภาพกอนทาและหลงทา Dilation จากตวอยางจะเหนวา “pepper noise” (จดดา
เลก ๆบนภาพ) หายไปและเพมความสวางของภาพ
41
2.6 Neural Network
โครงขายประสาทเทยม (Artificial neural network) คอ แบบจาลองทางคณตศาสตรสาหรบ
ประมวลผลสารสนเทศดวยการคานวณแบบคอนเนคชนนสต (connectionist) แนวคดเรมตนของ
เทคนคน ไดมาจากการศกษาขายงานไฟฟาชวภาพ (bioelectric network) ในสมอง ซงประกอบดวย
เซลลประสาท หรอ นวรอน (neurons) และ จดประสานประสาท (synapses) ขายงานประสาทเกด
จากการเชอมตอระหวางเซลลประสาท จนเปนเครอขายททางานรวมกน ซงรปแบบการคานวณน น
คอนขางซบซอน โดยใชขอมลตาง ๆทมอยใหออกมาในรปแบบของโครงสรางวธการคานวณ หรอ
ทเรยกวาความร ประสบการณ เพอทจะนารปแบบทไดจากการเรยนรน ไปใชในการวเคราะห
ตความหรอคาดคะเนความหมายของขอมลทอยในลกษณะเดยวกน ซงวธการดงกลาวจะเปนการ
เลยนแบบวธการทางานของสมองมนษย หรออาจจะกลาวไดวาวธการดงกลาวเปนการจาลองการ
ทางานของสมองน นเอง และความรทไดอาจจะเกดข นไดจากกระบวนการเรยนร
โดยโครงขายงานประสาทเทยมจะรวมกลมแบบขนานของหนวยประมวลผลยอยๆ ซงการ
เชอมตอในโครงสราง ทาใหเกดความร ประสบการณ ความฉลาดของขายงาน ซงนารปแบบทได
จากการเรยนรน ไปใชในการวเคราะห ตความหรอความหมายของขอมลทอยในลกษณะคลายกน
ซงวธการดงกลาวจะเปนการเลยนแบบวธการทางานของสมองมนษย ใน 2 ลกษณะดงน
1. ความร ประสบการณ หรอความฉลาดน นเกดจากกระบวนการเรยนร (learning process)
2. ความรถกเกบท การเชอมตอระหวางเซลลประสาท หรอ นวรอน (neurons) และ จด
ประสานประสาท (synapses) เรยกวา synaptic weights
โครงสรางของโครงขายประสาทเทยม ประกอบดวย Input units, output units การทางาน
ของขายประสาทเทยม คอเมอม input เขามาย ง network กเอา input มาคณกบ weight ของแตละขา
ผลทไดจาก input ทกๆขาของ neuron จะเอามารวมกนแลวเอามาเทยบกบ threshold ทก าหนดไว ถา
ผลรวมมคามากกวา threshold แลว neuron กจะสง output ออกไป output น กจะถกสงไปย ง input
ของ neuron อนๆ ทเชอมกนใน network ถาคานอยกวา threshold กจะไมเกด output
แนวคดของแบบจาลองคณตศาสตรดงกลาวแสดงใหเหนวาเรมตนทการมสญญาณนาเขา
(input) คอ X จ านวนหนง (เชน n สญญาณ) เขามารวมกนอยในท ๆ หนง (ซงแสดงดวยเครองหมาย
sum) แลวกอนทจะยงสญญาณน นออกไปกอาจจะมการแปลงสญญาณ ซงการแปลงสญญาณน อาจ
จกระทาผานฟงกช นบางอยาง แลวจงจะออกมาเปนสญญาณสงออก (output) คอ Y ทจะสงไปย ง
เปน input ของเซลลสมองตวตอไปตอมาเมอไดแบบจาลองเซลลสมองแลว กอาจจะพจารณาไดวา
ในบรรดาขอมลนาเขาท งหลายน น (X) ขอมลแตละเรองอาจจะมความสาคญมากนอยตางกน จงม
การกาหนดคาน าหนกใหกบแตละขอมล ดงภาพประกอบ 2-18
42
ภาพประกอบท 2-18 โมเดลของขายประสาทเทยม
ผลลพธทไดออกมาดงกลาวหากจะสงตอตองมาแปลงสญญาณกอนทจะสงตอออกไป การ
แปลงสญญาณน มเหตผลสองประการ คอ หนง เพอทจะสะทอนการตดสนใจบางอยาง เชน การส ง
การใหทา หรอ ไมทา และสอง เพอทจะจดระเบยบของ Input ทเซลลอนจะไดรบตอไป
ในการแปลงสญญาณ F(x) ใหเปน 0 หรอ 1 น น เราจะแปลงผานฟงกช น (threshold
function) หากคาของ F(x) มคาเกนคา ๆหนง เชน จะใหคาเปน 1 แตหากไมเปนเชนน นกจะใหคา
เปน 0
สงสาคญทสดในการทางาน คอการทราบคา Weight และ threshold สาหรบใชในการรจ า
ของคอมพวเตอร ซงเปนคาทไมแนนอน แตสามารถกาหนดใหคอมพวเตอรปรบคาเหลาน นไดโดย
การสอนใหมนรจก Pattern ของสงทมนตองการรจ า ซ งเรยกวา back propagation ซงเปน
กระบวนการย อนกลบของการรจ า การสรางการเรยนสาหรบ neural network เพอใหมความคด
เสมอนมนษย มสองวธ คอ
1. Supervised learning การเรยนแบบมการสอน คอ เปนการเรยนแบบทมการตรวจคาตอบ
เพอใหวงจรขายปรบตว ชดขอมลทใชสอนวงจรขายจะมคาตอบไวคอยตรวจดวาวงจรขายให
ค าตอบทถกหรอไม ถาตอบไมถก วงจรขายจะปรบตวเพอใหไดค าตอบทดข น
2. Unsupervised learning การเรยนแบบมการสอน คอ เปนการเรยนแบบไมมการตรวจ
คาตอบวาถกหรอผด วงจรขายจะจดโครงสรางดวยตวเองตามลกษณะของขอมล ผลลพธทได วงจร
ขายจะสามารถจดขอมลได
โครงขายประสาทเทยมสามารถแบงออกเปน 4 แบบ คอ Feedforward network, Feedback
network, Network layer และ Perceptrons
โดยขอมลจะถกประมวลในแตละโหนดและจะถกสงตอไปอกโหนดในทศทางเดยวกนจาก
input nodes จนถง output nodes โดยไมมการย อนกลบของขอมล ดงภาพประกอบ 2-19
43
ภาพประกอบท 2-19 แสดงสถาปตยกรรม Feedforward network
2.7 SVM (Support Vector Machine)
SVM เปนอลกอรทมในการคดแยกทมการนามาใชกนอยางกวางขวางในดานการประมวลผล
เปนภาพดจตอล หลกการของ SVM คอการใหอนพททใชฝกเปนเวคเตอรในสเปซ N มต เชนถาใน
กรณของ 2 มต และ 3 มต จะเปนจดทอยในระนาบ xy และสเปซ xyz ตามลาดบ จากน นทาการ
สรางไฮเปอรเพลน (Hyperplane) ทจะแยกกลมของเวคเตอรอนพทออกเปนประเภทตางๆ ในกรณท
เปน 2 มต และ 3 มต ไฮเปอรเพลน คอเสนตรงและระนาบตามลาดบ ขอเดนของ SVM จะทาการ
เกบเเมพ (Map) เวคเตอรในสเปซอนพทใหเขาส Feature Space โดยใชฟงกช นหรอเรยกวาเคอรนล
(kernel) ชนดตางๆ เชน โพลโนเมยล (Polynomial) เรเดยล (Radial) เปนตน ใน Feature Space
ดงกลาวเวคเตอรอนพท สามารถแยกประเภทไดโดยไฮเปอรเพลน
ภาพประกอบท 2-20 ตวอยาง SVM ใน 2 มต
เครอขายปญญาประดษฐ กลาวคอ SVM ทใชฟงกช นซกมอยดในการแมพ เทยบเทากบ
เครอขายปญญาประดษฐแบบ Feedforward ทม 2 ช น มขอแตกตางจากเครอขายปญญาประดษฐก
44
คอ การแกสมการหาคาน าหนกใชในการแกสมการ Quadratic ทมขอบงคบเชงเสน (Linear
Constrained) แทนทจะเปนการหาคาต าสด (minimization) อยางในกรณของเครอขาย
ปญญาประดษฐ
ภาพประกอบท 2-21 ตวอยางคา Margin
สมมตวาเราตองการคดแยกอนพทออกเปน 2 กลม โดยใชไฮเปอรเพลน ทเปนเสนตรง จะ
เหนวามเสนตรงจานวนมากทสามารถคดแยกได แตเสนตรงเสนไหนทดทสด (Optimal Line)
ภาพประกอบท 2-21 แสดงตวอยางของ 2 เสนตรง เราจะนยาม Margin เปนผลรวมระยะหางของ
เสนตรงทเปนไฮเปอรเพลน (ภาพประกอบท 2-21) ถงเสนตรงทผานอนพทท ใกลทสดและขนาน
กบไฮเปอรเพลน ของท งสองกลม (ภาพประกอบท 2-21) ระยะดงกลาวอาจมองเปนเวคเตอรและม
ชอวา ซพพอรตเวกเตอรแมชชน (Support Vector Machine) อลกอรทม SVM จะเลอกไฮเปอรเพ
ลนทใหคา Margin มคาสงสด ดงภาพประกอบท 2-21 กรณของ 3 มต จะเปนทานองเดยวกน
อลกอรทม SVM ใน 3 มต
ภาพประกอบท 2-22 ตวอยาง SVM ใน 3 มต
45
46
บทท 3
การออกแบบและพฒนาระบบ
3.1 แนวคดเบองตนงานวจย
หลกการและทฤษฏของระบบเบองตน จะประกอบดวย 3 สวนสาคญคอ ข นตอนการ
วเคราะหหาโมเดลมนษยในรปแบบสองมต (2D Human Modeling) ข นตอนการวเคราะหหาโมเดล
มนษยในรปแบบสามมตจากโมเดลสองมต (3D Human Modeling) และการวเคราะหพฤตกรรม
ของมนษยสมพนธกบเวลาและสถานท (ADL Action Analysis) ดงไดอะแกรมตอไปน
การทางานวจยในแตละสวนเปนดงน
สวนท 1 การวเคราะหการกระทาพนฐาน (2D Human Modeling)
ซงจ าเปนตองการมวเคราะหโดยท วไปดงน การวเคราะหว ตถเคลอนไหวและตดตาม ทา
หนาทแยกแยะวตถทก าลงเคลอนไหวภายในภาพวดโอ โดยจะทาการตรวจสอบความนาจะเปน
มนษยของวตถทเคลอนไหวเบองตนจากการนาภาพทมความลกมาวเคราะหว ตถทเคลอนไหวถาอย
ในระนาบเดยวกนแสดงวามความเปนไปไดทว ตถน นจะเปนมนษยสง และเพมความถกตองของ
วตถทเราสนใจโดยการใชภาพทมความลก และภาพทผานกระบวนการตรวจจบการเคลอนไหว
(Motion Detection) มาทารวมกนเพอใหไดซ งว ตถทมความถกตองมากทสด พรอมท งดง
ลกษณะเฉพาะของแตละวตถออกมา โดยรบภาพของแตละเฟรมจากกลองวดโอเขามาประมวลผล
และทาการตดตามพฤตกรรมของวตถน นจากกลองแตละตว จากน นทาการสรางโมเดลของมนษย
จากวตถเคลอนไหวในรปแบบสองมต (2D)
2D Human Modeling
ตรวจจบ และตดตามมนษยจาก
โมเดลทออกแบบในรปแบบสองมต
3D Human Modeling
สรางโมเดลมนษยสามมตจาก
พารามเตอรทไดจากโมเดลสองมต
ของแตละกลอง
3D Action Analysis
วเคราะหรปแบบการทากจกรรมของ
มนษย (ADL - Activities of Daily
Living) ทสมพนธกบสถานทและเวลา
จากโมเดลสามมต
- Motion Detection and
Tracking
- Cam Shift Color Tracking
- Human Modeling 2D
- Human Correction
- 3D Reconstruction
- Human Modeling 3D
- Space-Time Action
Analysis and
Representation
- Neural Network
47
สวนท 2 การโมเดลกจกรรมและรจ า (3D Human Modeling)
เปนการนาพารามเตอรทไดจากการวเคราะหของโมเดลมนษยในสองมต (2D) ของแตละ
กลอง เพอสรางโมเดลมนษยในรปแบบสามมต (3D) [5] [6] ดงภาพประกอบท 3-1 เพอใชสาหรบ
การวเคระหหาทาทางสาหรบสวนถดไป
ภาพประกอบ 3-1 3D Reconstruction
สวนท 3 วเคราะหรปแบบการทากจกรรมของมนษย (3D Action Analysis)
เปนการวเคราะหความสมพนธเชงสถานทและเวลาของมนษย โดยจะตองมรปแบบการ
นาเสนอขอมลทเหมาะสมเปนการวเคราะหภาพวดโอจากโมเดลสามมต(3D) เพอใหทราบวาเกด
การกระทาพนฐานอะไรบาง อนไดแก การยน การเดน การน ง การนอน และการกม เปนตน
3.2 การพฒนาระบบ
งานวจยน ไดประยกตใชกระบวนตรวจจบการเคลอนไหวจากภาพความลก และใชสจาก
ภาพสสาหรบการตดตามเพอใชสาหรบการโมเดล โดยมนษยภายในงานวจยน ไดถกอธบายอยใน
รปแบบจาลองโครงสรางมนษยอยางงายโดยทาการลดความซบซอนขององคประกอบในรางกาย
มนษยใหเหลอเพยง 3 องคประกอบโดยโมเดลทไดจะอยในสองมต (2D) จากน นนาโมเดลทไดและ
ภาพความลกไปทาการสรางใหมในรปของสามมต (3D) จะทาใหไดคณลกษณะของมนษยซงจะถก
นาไปใชในกระบวนการรจ าทาทางมนษยโดยใชกระบวนการของโครงขายประสาทเทยม (Neural
Network) ผลจากกระบวนการน จะทาใหทราบวามนษยไดกระทาทาทางใด ดงภาพประกอบท 3-2
(x,y) (x,y) (x,y,z)
3D Reconstruction
48
ภาพประกอบ 3-2 ภาพรวมของระบบ
3.2.1 การเตรยมภาพสาหรบการวเคราะห
สาหรบงานวจยน ภาพจากกลองวดโอทใชสาหรบการวเคราะหมสองแบบ 1) ภาพความลกท
ใหผลลพธออกมาในรปแบบภาพทเปน Disparity ขนาด 8 บต และ 2) ภาพสทใหผลลพธออกมาใน
รปแบบ RGB ขนาด 8 บท
a) ภาพความลก b) ภาพส
ภาพประกอบ 3-3 ภาพเปรยบเทยบความลกกบภาพส
Feature Extraction
Detection & Tracking
ภาพส ภาพความลก
ตรวจจบการเคลอนไหว ตดตามดวยส
โมเดลมนษย
ดงคณสมบตเดน
หาเวกเตอร
Action Recognition
จดทศรษะ จดทลาตว จดทขา โครงขายประสาทเทยม
49
ระยะหางของวตถจะแปรผนตามคาสทเปนภาพ Gray กลาวคอถาว ตถอยไกลจากกลองมาก
คาของสกจะเขาใกล 255 และวตถอยใกลคาสกจะเขาใกล 0 แตไมใช 0 เนองจากคา 0 สาหรบภาพ
ความลกคอไมสามารถหาระยะได ดงภาพประกอบท 3-3a และภาพประกอบท 3-3b เปนภาพสทใช
สาหรบงานวจยน
3.2.2 การตรวจจบการเคลอนไหว
สาหรบการตรวจจบการเคลอนไหวเปนกระบวนการทมความสาคญอยางมากเนองจากต งสม
ตฐานวาว ตถทเคลอนไหวในเฟรมวดโอเปนมนษยท งหมด ถาการตรวจจบการเคลอนไหวมความ
แมนย าสงจะสงผลใหกระบวนการอนมความแมนย าข นอยางมาก สาหรบการตรวจจบการ
เคลอนไหวในงานวจยน ใชการตรวจจบการเคลอนไหวทเรยกวา Background Subtraction การ
สรางพนหลงจากวธเกาสเซยนหลายรปแบบ (Mixture of Gaussian)
a) ภาพเฟรมปจจบน b) ภาพการเคลอนไหว
ภาพประกอบ 3-4 ภาพตวอยางการตรวจจบการเคลอนไหวจากภาพความลก
สาหรบการตรวจจบการเคลอนไหวโดยใชภาพสในกรณแสงเกดการเปลยนแปลงมากๆ
ในทนทจะทาใหเกดความผดพลาดไดพนหลงมาเปนวตถทสนใจ ขอเสยอกอยางหนงคอเมอสของ
วตถทเคลอนทตรงกบสของพนหลงจะทาใหว ตถน นกลายเปนพนหลงซงจากขอผดพลาดดงกลาว
ทาใหในงานวจยน ใชภาพความลกเพยงอยางเดยวสาหรบการตรวจจบการเคลอนไหว เนองจากแสง
และสไมมผลตอภาพความลกทาใหไมเกดปญหาดงกลาว และโอกาสทจะเกดขอผดพลาดนอยมาก
เนองจากถาว ตถทมระยะหางเทากนจะไมมาทบซอนกนจงทาใหการใชภาพความลกมความแมนย า
สงกวาภาพสมาก ดงภาพประกอบท 3-4
50
3.2.3 การผสมขอมลภาพความลก และขอมลภาพส
งานวจยน ไดทาการนาภาพทมขอมลของความลก (Depth Image) และภาพทมขอมลของส
(Color Image) มาทาการผสมผสานกน เพอเพมความแมนย าสาหรบการตดตามพกดทสนใจซงใน
ทน คอ ศรษะ ล าตว และขา อนนาไปสการโมเดลมนษยอยางงาย ดงภาพประกอบท 3-5 เรมจากการ
ตรวจจบการเคลอนไหว โดยกระบวนการลบพนหลงเพอใหไดว ตถทสนใจจากน นหาขอบของวตถ
โดยจากกระบวนการกดกรอน (Erosion) และนามาเทยบสจากภาพสไปย งขอบของวตถ
ภาพประกอบ 3-6 กระบวนการโดยรวมของการผสมขอมลส และความลก
สาหรบการเทยบพกดจดจากสองกลองทต งขนานกนถาเทยบกนจดตอจดจะทาใหเกดความ
ผดพลาดของการเหลอมล าของพกด จงทาใหตองมการปรบใหอยในมาตรฐานเดยวกน(Calibration)
สาหรบการเทยบพกดทตรงกน ดงภาพประกอบท 3-6 เนองจากกลองทใชเปนกลองทใชกน
แพรหลายในทองตลาดจงไดมงานวจยสาหรบการปรบใหอยในมาตรฐานเดยวกน (Calibration)
มากมาย ดงน นกระบวนการปรบใหอยในมาตรฐานเดยวกน (Calibration) ของกลองสาหรบการ
เทยบพกดจงอางองจากงานวจยอน สาหรบในงานวจยน ทมงเนนไปทการวเคราะหทาทางเปนหลก
ตรวจจบการเคลอนไหว
ไดว ตถทสนใจ
หาขอบของวตถ
ไดขอบของวตถ
นาสมาเตมทขอบของวตถ
ไดภาพความลกทมขอมลส
51
a) ภาพการเคลอนไหวจากภาพความลก b) ภาพจากการเทยบจดจากภาพเคลอนไหว
ภาพประกอบ 3-7 ภาพตวอยางแสดงการเทยบพกดจากภาพความลกไปภาพส
สาหรบข นตอนแรกคอการบดเบอนภาพส และภาพความลกโดยใชคาสมประสทธ การ
บดเบอนจากพารามเตอรภายในของกลองท งสอง (Intrinsic Parameter) แตละพกเซลของภาพความ
ลกสามารถฉายไปย งพนทสามมตจากสมการตอไปน
สมการสาหรบการฉายภาพความลกไปย งพกดโลก
P3D.x= xd- cxd *depth xd,yd
fxd
(3.1)
P3D.y= yd- cyd *(depth xd,yd
fyd
) (3.2)
P3D.z=depth xd,yd (3.3)
โดยคาทใชสาหรบการคานวณเปนคาทไดมาจากพารามเตอรภายใน (Intrinsic Parameter)
ของกลองความลกจากการปรบใหอยในมาตรฐานเดยวกน (Calibration) โดยใชตารางหมากลก
fx_d = 5.9421434211923247e+02
fy_d = 5.9104053696870778e+02
cx_d = 3.3930780975300314e+02
cy_d = 2.4273913761751615e+02
ปรบภาพความลกสาหรบการเทยบไปย งภาพสโดย การ Rotation และ Translation
P3D'.x
P3D'.y
P3D'.z
=R.
P3D.x
P3D.y
P3D.z
+T (3.4)
52
R=
9.9984628826577793e-01 1.2635359098409581e-03 -1.7487233004436643e-02
-1.4779096108364480e-03 9.9992385683542895e-01 -1.2251380107679535e-02
1.7470421412464927e-02 1.2275341476520762e-02 9.9977202419716948e-01
T =1.9985242312092553e-02
-7.4423738761617583e-04
-1.0916736334336222e-02
สมการสาหรบเทยบพกดจากภาพความลกไปย งภาพส
P2Drgb.x= P3D'.x*fxrgb
P3D'.z+cxrgb (3.5)
P2Drgb.y=P3D'.y*fyrgb
P3D'.z+cyrgb (3.6)
โดยคาทใชสาหรบการคานวณเปนคาทไดมาจากพารามเตอรภายใน(Intrinsic Parameter)
ของกลองสจากการคาลเบตโดยใชตารางหมากลก
fx_rgb = 5.2921508098293293e+02
fy_rgb = 5.2556393630057437e+02
cx_rgb = 3.2894272028759258e+02
cy_rgb = 2.6748068171871557e+02
เนองจากการเทยบพกดจดไปจากภาพความลกไปย งภาพสมการคานวณทซบซอน ถาหากทา
การเทยบท งบรเวณทเปนวตถทสนใจการประมวลผลทาไดลาชาจงทาการดงสจากภาพสเฉพาะ
บรเวณทสนใจซงในทน คอสบรเวณขอบของวตถ ดงสมการท (3.7) โดยอางองมาจากขอบของวตถ
ทเคลอนไหวในภาพความลกทไดจากกระบวนการตรวจจบการเคลอนไหว (Motion Detection)
ผลลพธดงภาพประกอบท 3-7
สมการสาหรบการรวมภาพความลกและภาพส
I = E(I ) ∪ (I ∩ (O − E(O ))) (3.7)
I คอ ภาพความลก
I คอ ภาพส
E คอ โอเปอรเรช นของการกดกรอน(Erosion)
53
a) ตวอยางภาพภาพส b) ผลลพธการดงสจากภาพสมาย งภาพความลก
ภาพประกอบ 3-7 ภาพตวอยางแสดงการรวมภาพความลกและภาพส
3.2.4 โมเดลโครงสรางมนษยอยางงาย
เนองจากการวเคราะหทาทางของงานวจยน ใชโมเดลมนษยอยางงายทประกอบดวย 3 สวน
คอ ศรษะ ล าตว และขา โดยใหล าตวเปนจดศนยกลาง จากน นหาเวกเตอรจากจดบนศรษะ และขา
กระบวนการโดยรวมของการสรางโมเดลมนษยจะแบงออกเปน 3 ข นตอน ดงภาพประกอบท 3-8
ภาพประกอบ 3-8 กระบวนการโดยรวมของการสรางโมเดลมนษยอยางงาย
ข นตอนท 1 หาเวกเตอรจากจดบนขอบของวตถทสนใจทไดจากกระบวนกอนหนาเทยบไป
ย งจดศนยกลางทคานวณจากสมการ (3.8) จ านวน 360 เวกเตอรรอบจดศนยกลางมวล
หาเวกเตอรจากจดศนยกลางรอบวตถทสนใจ
หาเวกเตอรทมขนาดมากทสดของแตละควอสแลน
รวมเวกเตอรจาก 4 เหลอ 2 จากคณสมบต
ไดเวกเตอร 360 เวกเตอร
ไดเวกเตอร 4 เวกเตอร
ไดเวกเตอรของศรษะ และขา
54
x, y = ∑ , ∑
(3.8)
ข นตอนท 2 จากสมมตฐานทวาจดจากขอบทอยไกลจากจดศนยกลางมโอกาสเปน ศรษะ
และขา มากกวาจดทอยใกล จงทาการแบงวตถทสนใจออกเปน 4 สวน โดยอางองจากจด
ศนยกลางมวลทคานวณจากสมการ (3.8) จากนน นทาการหาเวกเตอรทมขนาดมากทสดใน
แตละสวน ผลลพธจะไดเวกเตอรทสนในจานวน 4 เวกเตอร ทมโอกาสเปนศรษะ และขา
ของมนษย ดงภาพประกอบท 3-9
∆ = {∆ |i = 1…4} (3.9)
ภาพประกอบ 3-9 ภาพตวอยางการหาโมเดลโครงสรางมนษย
ข นตอนท 3 สาหรบในข นตอนน เปนการรวมเวกเตอรจาก 4 ใหเหลอ 2 เวกเตอร เรมจากการ
จบคเวกเตอรโดยอางองจากมมทกระทากนซงเวกเตอรทมคาความตางของมมนอยทสดใน
แตละคจะจบคกบ และอกสองเวกเตอรทเหลอกจบคกนเอง จากน นใชความนาจะเปนเขามา
ชวยสาหรบการรวมเวกเตอร โดยเวกเตอรทมขนาด (D ) มากจะมความนาจะเปนทจะเปน
ศรษะ หรอ ขา มากกวาเวกเตอรทมขนาดนอยกวา ดงสมการท 3.11
D = (∆ − x) + (∆ − y) |i = 1…4 (3.10)
ω = ∑ |i = 1…4 (3.11)
55
เนองจากใชขนาดของเวกเตอรเพยงอยางเดยวมความนาเชอถอไมเพยงพอสาหรบการรวมเวก
เตอรจงเพมความนาเชอถอโดยการนาสบรเวณทเวกเตอรช ไปมาทาการหาความนาจะเปนสาหรบ
การรวมเวกเตอรโดยเทยบจากสอางองหากสบรเวณทเวกเตอรช ไปมความใกลเคยงกบสอางอง
(D ) มากความนาจะเปนกจะมากแตหากมความตางกนความนาจะเปนกจะนอยลงตามลาดบ ดง
สมการท 3.13
D = (∆ − Cr ) |i = 1…4 (3.12)
ω = ∑ |i = 1…4 (3.13)
สมการท 3.14 ใชสาหรบการปรบปรงคาสอางองโดยอตราการปรบปรงข นอยกบคา α
Cr = α Cr −(1 − α )(ω C + ω C ) (3.14)
จากสมการท 3.15 ใชสาหรบการปรบคาความนาจะเปนของการเลอกเชอระหวางความนาจะ
เปนทไดจากขนาดของเวกเตอร ω กบ ความนาจะเปนทไดจากสเทยบกบสอางอง ω โดยข นอย
กบคา α
ω = α ω +(1 − α )ω (3.15)
ω = 1 −ω (3.16)
นาความนาจะเปนทไดจากสมการ 3.15 และ 3.16 มาทาการคณกบพกดจดทเวกเตอรช ไปท ง
สองเวกเตอร โดยเปนไปตามสมการท 3.17 ผลลพธจะไดพกดใหมจากสองพกดทจบคกน จากน น
นาจดทไดมาทาการหาเวกเตอรไปย งจดศนยกลางมวลผลลพธจะเหลอเวกเตอรทช ไปย ง ศรษะ และ
ขา ของมนษยเพอเขาสกระบวนการตอไป
P(x, y) = ω P ∆ , ∆ + ω P (∆ , ∆ ) (3.17)
56
ผลลพธในข นตอนน ทาใหไดโมเดลมนษยอยางงายโดยการนาเอาเวกเตอรสแดงรวมเปนเวก
เตอรสน าเงน และเวกเตอรสเขยวรวมเปนเวกเตอรสชมพ ดงภาพประกอบท 3-10 โดยเวกเตอรสน า
เงนอธบายความสมพนธระหวางล าตว และศรษะ สวนเวกเตอรสชมพอธบายความสมพนธระหวาง
ล าตว และขา ซงสามารถนาไปดงคณลกษณะบางอยางทสามารถนาไปสการวเคราะหทาของมนษย
ภาพประกอบ 3-10 โมเดลมนษยอยางงาย เสนสน าเงน และสชมพคอผลลพธจากการรวมเสนสแดง
และสเขยวตามลาดบ
3.2.5 การดงลกษณะเดน
สาหรบการดงลกษณะเดนจากโมเดลมนษยมความสาคญอยางมากทจะชวยใหระบบสามารถ
วเคราะหทาทางไดอยางถกตอง และแมนย า สาหรบการคานวณพารามเตอรอนนาไปเขาสกระบวน
รจ าเพอวเคราะหทาทางสามารถคานวณไดจากแบบจาลองมนษยอยางงาย ดงภาพประกอบ 3-11
โดยพจารณาความสมพนธของแตละองคประกอบภายในทสมพนธกนของโครงสรางมนษย
ประกอบดวย 2 เวกเตอร คอ เวกเตอรสน าเงนv อธบายความสมพนธระหวางล าตว และศรษะ
สวนเวกเตอรสชมพ v อธบายความสมพนธระหวางล าตว และขา
푥, 푦
∆ ∆
∆ ,∆( , )푃(푥, 푦)
57
ภาพประกอบ 3-11 พารามเตอร [θ , θ ] และ [D ,D ] สาหรบการนาไปวเคราะหทาทาง
สาหรบพารามเตอรทสาคญสาหรบการนาไปวเคราะหทาทางแบงเปน 2 ประเภท คอ
พารามเตอรทไดมากจากคามม [θ , θ ] ของเวกเตอรทสมพนธกนของลาตวกบศรษะ และลาตวกบ
ขา ดงสมการท (3.18) สามารถวเคราะหทาทางไดแมนย าในมมมองดานขาง เนองจากคามมของ
ความสมพนธดงกลาวสามารถอธบายไดถงทาทางทเกดข นในขณะน น
[θ , θ ] = cos ( ) (3.18)
และพารามเตอรทไดมาจากคาความตางของความลก [D ,D ] ระหวางล าตวกบศรษะ และ
ลาตวกบขา ดงสมการท (3.19) สามารถวเคราะหทาทางไดแมนย าในมมมองดานหนา เนองจากคา
ความสมพนธของความแตกตางของความลกดงกลาวสามารถอธบายไดถงทาทางทเกดข นใน
ขณะน น
[D ,D ] = (d( , ) − d ) (3.19)
เนองจากมมกลองมผลตอความคลาดเคลอนของพารามเตอรทไดมาจากคาความตางของ
ความลก [D ,D ] จงจ าเปนตองใชการหมน (Rotation Matrix) เพอปรบมมกลองใหเสมอนกบวา
ขนานกบวตถมากทสดเพอปรบความลกใหอยในเกณฑเดยวกนโดยไมข นกบมมกลองซงจะปรบ
เฉพาะแกน y เพราะวามผลตอมมกลองโดยตรง ดงสมการท 3.20
휃
휃 푑
푑
푑
푣
푣
58
푥푦
[D , D ]=
cos 휃 0 sin 휃0 1 0
− sin 휃 0 cos 휃
푥푦
[D , D ] (3.20)
เนองจากขอมลความลกทไดมาจากกลองน นมขนาด 8 บท โดยสามารถแบงเปนคาความลก
ไดเปน 256 ระดบ แตเนองจากระดบทไดออกมาไมมหนวยทสามารถบอกระยะจรงไดจงตองทา
การปรบใหอยในมาตรฐานเดยวกน (Calibration) ของระดบคาความลกใหเปนเซนตเมตร โดย
ระดบความลกทไดจากกลองเมอนาไปวาดกราฟปรากฏวากราฟไมเปนเสนตรงดงภาพประกอบท
3-12
7.229247947975168푒 푥 − 3.434034079954699푒 푥 + 0.062936247222164푥
−4.506183418260807푥 + 1.596646613741274푒
ภาพประกอบ 3-12 กราฟความสมพนธระหวางระยะทางจรงกบคาความลกจากกลอง
แตเนองจากกราฟไมเปนเสนตรงจงตองใชสมการถดถอยแบบไมเปนเสนตรง(Polynomial
Regression) เขามาชวยสาหรบการหาสมการความสมพนธระหวางระยะจรงกบคาความลกจาก
กลองโดยการวดระยะจรงสาหรบการนาไปหาสมการถดถอยแบบไมเปนเสนตรงเรมวดต งแต 50
เซนตเมตรเนองจากกลองเรมวดระดบความลกต งแต 50 เซตตเมตรข นไป และวดไปจนถง 300
เซนตเมตรโดยแตละระดบหางกน 10 เซนตเมตร รวมท งหมด 27 ระดบ
59
ตวอยางพารามเตอรของการวเคราะหทาทาง
a) ดงภาพประกอบท 3-13 เปนตวอยางพารามเตอรทบงบอกวาเปนการยนหรอการเดน โดย
พจารณาจากมมของลาตวถงศรษะใกลเคยง 0 องศา และมมของลาตวถงขาใกลเคยง 180
องศา
ภาพประกอบ 3-13 ตวอยางพารามเตอรของการยน และการเดน
b) ดงภาพประกอบท 3-14 เปนตวอยางพารามเตอรทบงบอกวาเปนการนอน โดยพจารณาจาก
มมของลาตวถงศรษะใกลเคยง 90 องศา และมมของลาตวถงขาใกลเคยง 90 องศา
ภาพประกอบ 3-14 ตวอยางพารามเตอรของการนอน
c) ภาพประกอบท 3-15 เปนตวอยางพารามเตอรทบงบอกวาเปนการกม โดยพจารณาจากมม
ของลาตวถงศรษะใกลเคยง 45 - 60 องศา และมมของลาตวถงขาใกลเคยง 180 องศา และ
อกพารามเตอรหนงทสามารถบงบอกวาเปนการกมคอคาความตางของความลกระหวาง
ล าตวถงศรษะใกลเคยง 70 ซ.ม. และคาความตางของความลกระหวางล าตวถงขาใกลเคยง
20 ซ.ม.
60
ภาพประกอบ 3-15 ตวอยางพารามเตอรของการกม
d) ภาพประกอบท 3-16 เปนตวอยางพารามเตอรทบงบอกวาเปนการกม โดยพจารณาจากมม
ของลาตวถงศรษะใกลเคยง 120 - 140 องศา และมมของลาตวถงขาใกลเคยง 0 องศา และ
อกพารามเตอรหนงทสามารถบงบอกวาเปนการกมคอคาความตางของความลกระหวาง
ล าตวถงศรษะใกลเคยง 40 ซ.ม. และคาความตางของความลกระหวางล าตวถงขาใกลเคยง
20 ซ.ม.
61
ภาพประกอบ 3-16 ตวอยางพารามเตอรของการน ง
e) จากตวอยางเปนการนาพารามเตอรมาวเคราะหความเปนไปไดทมโอกาสเกดเปนทาทาง
จากสมมตฐานทต งไว โดยมมมองทใชเปนมมมอง 60 องศา จากน นนาพารามเตอรทไดเขา
สกระบวนการรจ าทาทางข นตอนตอไป
3.2.6 การรจาทาทางมนษย
สาหรบการรจ าทาทางมนษยในงานวจยน ใชอลกอรทมทมความสามารถในการเรยนรจาก
การสอน ในงานวจยน ใชสองเทคนคสาหรบการรจ า คอ เทคนคโครงขายปราสาทเทยม (Neural
network) โดยอลกอรทมสาหรบการเทรนเปนแบบการรจ าแบบย อนกลบ (back propagation
algorithm) และใชซกมอยดฟงกช นสาหรบเปนแอคตเวทฟงกช น ซงมอนพตท งหมด 4 อนพต คอ
คามม [θ , θ ] ของเวกเตอรทสมพนธกนของลาตวกบศรษะ และลาตวกบขา และคาความตางของ
ความลก [D ,D ] ระหวางล าตวกบศรษะ และลาตวกบขา โดยมเลเยอรซอน 1 เลเยอร และ
เอาทพทมท งหมด 4 เอาทพท น นกคอทาทาง การยนหรอการเดน, การน ง, การนอน และการกม
และอกเทคนคทใชนามาเปรยบเทยบคอ SVM (Support Vector Machine) ซงมท งหมด 4 อนพต
และ 4 เอาทพท เชนเดยวกนกบเทคนคโครงขายปราสาทเทยม
3.2.7 สรป
สาหรบในงานวจยน ไดออกแบบและพฒนาระบบวเคราะหทาทางมนษย โดยรบภาพจาก
มมมองดานขาง โดยใชคาความลกเขามาชวยแกปญหาในสวนของขอผดพลาดทเกดจากมมมองใน
กรณทเกดทาทางในมมมองหนาตรงกบกลองซงจะทาใหเกดขอผดพลาดในสวนของการดงลกษณะ
เดน แตเมอนาความลกเขามาชวยทาใหสามารถดงลกษณะเดนอนนาไปสการวเคราะหทาทางได
อยางแมนย ามากยงข น โดยคณลกษณะเดนไดมาจากโมเดลมนษยอยางงายทมความสมพนธกนของ
ลาตวกบศรษะ และลาตวกบขา จากน นเขาสกระบวนการวเคราะหทาทางโดยใชกระบวนการ
62
สาหรบการรจ าจากการสอน Neural Network และ SVM เพอเปรยบเทยบผลลพธสาหรบรจ าทาทาง
ไดแก การยนหรอการเดน การน ง การกม และการนอน โดยไมข นอยกบมมมองของกลอง
63
บทท 4
ผลการทดลอง
ผลการทดสอบวเคราะหทาทางมนษย ซงประกอบดวยทาทางพนฐานท ง 5 ทาทาง ไดแก การ
ยน การเดน การน ง การนอน และ การกม โดยใชกลองจานวน 2 ตว คอกลองทเปนภาพส ความ
ละเอยดขนาด 640x480 จด และกลองทเปนภาพความลก ขนาด 640x480 จด โดยระดบของความ
ลกทไดอยท 256 ระดบ โดยการทดลองจะเปลยนมมกลอง 3 มมมองคอ 30, 45, และ60 องศา โดย
ใชว ตถทดลองเปนบคคลทดสอบสคนทใสเสอและกางเกงสแตกตางกนซงแตละบคคลจะแสดง
ทาทางครบท ง 5 ทาทางคอ การยน การเดน การน ง การนอน และการกม โดยระบบจะรองรบการ
วเคราะหทาทางเพยงคนเดยว
4.1 การทดสอบการรวมภาพความลกและภาพส
สาหรบการทดสอบการรวมภาพสและภาพความลกไดมการใชกระบวนการทเรยกวา “การ
กดกรอน” ซงใชทรพยากรเครองมากถาหากใชในปรมาณรอบของการทาซ ามากเกนไป จะทาให
ระบบไมสามารถประมวลผลไดในระยะเวลาททนทวงทจงไดมการทดสอบการรวมภาพสและภาพ
ความลกเพอหาจานวนรอบทเหมาะสมทสดของการใชกระบวนการกดกรอน
a) ภาพประกอบท 4-1 แสดงใหเหนผลลพธทมความผดพลาดสงเนองจากภาพส และภาพ
ความลกมระยะซมทแตกตางกน กลาวคอวตถในภาพความลกมขนาดใหญกวาว ตถใน
ภาพสทาใหการกดกรอนแค 1 รอบย งไมทาใหถงสของวตถทสนใจซงทาใหเกดความ
ผดพลาดสง
ภาพประกอบ 4-1 ตวอยางผลลพธของการทากระบวนการกดกรอน 1 รอบ
64
b) ภาพประกอบท 4-2 ผลลพธของการกดกรอนจานวน 2 รอบไดผลลพธของสทครบถวน
เนองจากสามารถดงคาสจากบรเวณขอบของวตถไดอยางแมนย าโดยทการประมวลผลย ง
สามารถประมวลผลไดเรว
ภาพประกอบ 4-2 ตวอยางผลลพธของการทากระบวนการกดกรอน 2 รอบ
c) ภาพประกอบท 4-3 ผลลพธของการกดกรอนจานวน รอบไดผลลพธของสทครบถวน
ดกวาการใชกระบวนการกดกรอน 2 รอบเพยงเลกนอยแตแตใชทรพยากรการประมวลผลท
มากกวาพอสมควร
ภาพประกอบ 4-3 ตวอยางผลลพธของการทากระบวนการกดกรอน 3 รอบ
จากการทดสอบการรวมภาพความลกและภาพสการใชกระบวนการกดกรอนเพยง 1 รอบไม
สามารถนาไปใชในกระบวนการตดตามสาหรบการวเคราะหได เพราะมความผดพลาดสงในการ
ตดตามสของวตถทสนใจ และการใชกระบวนการกดกรอนจานวน 3 รอบผลลพธออกมาเปนทนา
พอใจแตเมอเปรยบเทยบกบการกดกรอนจานวน 2 รอบผลลพธมความแตกตางกนนอยมากงานวจย
น จงเลอกการใชการกดกรอนจานวน 2 รอบเนองจากผลลพธออกมามความถกตองทเหมาะสมกบ
ทรพยากรทใชสาหรบการประมวลผล
65
4.2 การทดสอบความสมพนธระหวางระยะทางจรงกบคาจากกลอง
สาหรบการทดสอบหาความสมพนธระหวางระยะจรงกบคาจากกลองทเหมาะสมระหวาง
ความถกตองกบทรพยากรในการประมวลผลมความสาคญเนองจากสมการถดถอยแบบไมเปน
เสนตรงอยในรปของเลขยกกาลงซงถาหากยกกาลงมากๆจะทาใหการประมวลผลชาซงจะสงผล
ประทบตอการประมวลผลท งระบบ
a) ภาพประกอบท 4-4 ผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 2 กราฟวงกลมคอ
ความสมพนธของระยะจรงกบคาจากกลองทไดจากการวด และกราฟเสนคอกราฟทไดจาก
การหาสมการถดถอยแบบไมเปนเสนตรงกาลง 2 จากผลลพธดงกลาวอธบายไดวาสมการ
ถดถอยแบบไมเปนเสนตรงกาลง 2 มความคลาดเคลอนจากกราฟทไดจากกวาว ดจรงอย
มากพอสมควร
b) 0.011318764249569푥 − 2.023866610995049푥 + 1.480636900519317푒
ภาพประกอบ 4-4 ตวอยางผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 2
c) ภาพประกอบท 4-5 ผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 2 กราฟวงกลมคอ
ความสมพนธของระยะจรงกบคาจากกลองทไดจากการวด และกราฟเสนคอกราฟทไดจาก
การหาสมการถดถอยแบบไมเปนเสนตรงกาลง 4 จากผลลพธดงกลาวอธบายไดวาสมการ
ถดถอยแบบไมเปนเสนตรงกาลง 4 มความถกตองมากกวาสมการถดถอยแบบไมเปน
เสนตรงกาลง 2 โดยทผลลพธมความคลาดเคลอนกบคาทว ดจรงนอย
66
7.229247947975168푒 푥 − 3.434034079954699푒 푥 + 0.062936247222164푥
−4.506183418260807푥 + 1.596646613741274푒
ภาพประกอบ 4-5 ตวอยางผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 4
d) ภาพประกอบท 4-6 ผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 6 กราฟวงกลมคอ
ความสมพนธของระยะจรงกบคาจากกลองทไดจากการวด และกราฟเสนคอกราฟทไดจาก
การหาสมการถดถอยแบบไมเปนเสนตรงกาลง 6 จากผลลพธดงกลาวอธบายไดวาสมการ
ถดถอยแบบไมเปนเสนตรงกาลง 6 มความถกตองมากกวาสมการถดถอยแบบไมเปน
เสนตรงกาลง 2 และกาลง 4 โดยทผลลพธมความคลาดเคลอนกบคาทว ดจรงนอยมาก
67
1.251217487491828푒 푥 −1.037037939785234푒 푥 + 3.501481072103725푒 푥− 0.006100639363181푥 + 0.577595387872622푥 − 27.634268166355310푥+ 5.675994039761157푒
ภาพประกอบ 4-6 ตวอยางผลลพธของสมการถดถอยแบบไมเปนเสนตรงกาลง 6
จากผลการทดลองดงกลาวสมการถดถอยแบบไมเปนเสนตรงกาลง 2 มความคลาดเคลอน
มากจงไมสามารถใชงานไดในงานวจยน และสมการถดถอยแบบไมเปนเสนตรงกาลง 6 มความถก
ตองมากกวาสมการถดถอยแบบไมเปนเสนตรงกาลง 4 กจรงแตเนองจากเปนถงกาลง 6 แตมความ
ถกตองเมอเทยบกบสมการกาลง 4 ผลลพธถกตองมากกวาเพยงเลกนอยเมอเทยบกบทรพยากรการ
ประมวลทเพมข นงานวจยน จงเลอกใชสมการถดถอยแบบไมเปนเสนตรงกาลง 4 เนองจากมความ
เหมาะสมในเรองของความถกตองเมอเทยบกบทรพยากรสาหรบการประมวลผล
68
ภาพประกอบ 4-7 กราฟความสมพนธระหวางระยะทางจรงกบคาความลกจากกลอง
ภาพประกอบท 4-7 กราฟแสดงความสมพนธระหวางระยะทางจรงกบคาความลกจากกลอง
แสดงใหเหนถงความละเอยดของระยะทางจรงจะลดนอยลงเมออยไกลจากกลองซงจะสงผลให
ความถกตองของพารามเตอรสาหรบการวเคราะหทาทางมความคลาดเคลอนเลกนอย
4.3 การทดสอบความคลาดเคลอนของมมกลอง
การทดสอบมมกลองในงานวจยนใชมมกลองท 60 องศา เปนหลกสาหรบการนาพารามเตอร
ไปทาการสอนระบบสาหรบการวเคราะหทาทาง เนองจากมมกลองท 60 องศา เปนมมกลองท
สามารถมองเหนสภาวะแวดลอมทกวางโดยไมทาใหพารามเตอรคลาดเคลอน ดงน นในงานวจยน จง
ใชมมกลองท 60 องศาเปนหลก สาหรบกรณมมกลองทไมใช 60 องศา จงจ าเปนตองทาการ
Rotation เพอปรบพารามเตอรใหเสมอนอยในมมมองท 60 องศา เนองจากถาหากปรบมมกลอง
เพยงอยางเดยวมมมองการมองเหนพนทจะเปลยนไปจงตองปรบความสงของกลองเพอใหกลอง
สามารถมองเหนพนททมมมองท 60 องศา สามารถมองเหนจงเทยบจากพนททมม 60 องศา และ
สามารถวคราะหโดยทมมกลองปรบเปนไปตามตาราง 4-1 ขอมลทนามาทดสอบจานวน 400 ชด
ขอมลของแตละมมกลอง ผลการทดลองคอคาเฉลยความผดพลาดของแตละพารามเตอรความตาง
ของความลกระหวางล าตวและศรษะ กบลาตวและขา (D ,D )
69
ตารางท 4-1 ผลการทดลองการเปรยบเทยบของแตละมมกลอง
มมกลอง(องศา) ความคลาดเคลอน ระยะเรมการทางาน
0 15.40% 70cm
45 13.93% 50cm
75 10.44% 30cm
90 98.8% 0
จากผลการทดลองมมกลองทองศาต ากวา 60 องศา ความคลาดเคลอนของพารามเตอรมคา
นอยแตระยะการทางานจะลดลงเนองจากมมกลองทต ากวา 60 องศา การวางกลองจะวางใน
ตาแหนงทต ากวาเพอสามารถทาใหมองเหนตวบคคลไดเตมตว และทมมกลองทมากกวา 60 องศา
ระยะการทางานครอบคลมมากกวาแตเนองจากงานวจยน ใชมมมองดานขางของตวบคคลเพอใช
สาหรบการวเคราะหทาทางจงทาใหมมมองทมอาศาทสงกวา 60 องศา การมองเหนดานขางของตว
บคคลจงมความคลาดเคลอนสงตามไปดวย
4.4 การทดสอบการวเคราะหทาทางมนษย
สาหรบการวเคราะหทาทางการยน การเดน การน ง การนอน และการกม สามารถวเคราะห
ไดจากคามมของเวกเตอร [θ , θ ] เสนสน าเงน และเสนสชมพ ซงอธบายถงความสมพนธกนของ
ลาตวกบศรษะ และลาตวกบขา แสดงใหเหนถงองคประกอบสาคญแตละสวนของแบบจาลองของ
พารามเตอรภายใน คอ 푣 , 푣 ตามลาดบ โดยใชผลจากกระบวนการตดตามการเปลยนแปลงในแต
ละเฟรม ดงภาพประกอบท 4-8
(a) (b)
70
(c) (d)
ภาพประกอบ 4-8 ตวอยางทาทางทพจารณาทาทางโดยใชคามมของเวกเตอร (a) การเดน (b) การ
นอน (c) การกม (d) การน ง
แตเนองจากมบางกรณทคามมของเวกเตอร [θ , θ ] เพยงอยางเดยวไมสามารถวเคราะหได
ในมมมองดานหนาจงใชพารามเตอรทไดมาจากคาความตางของความลก [D ,D ] ระหวางล าตว
กบศรษะ และลาตวกบขา มาชวยสาหรบการวเคราะหทาทางไดแมนย าในมมมองดานหนา
เนองจากคาความสมพนธของความแตกตางของความลกดงกลาวสามารถอธบายไดถงทาทางท
เกดข นในขณะน น ดงภาพประกอบท 4-9
(a) (b)
ภาพประกอบ 4-9 ตวอยางทาทางทพจารณาทาทางโดยใชความลก (a) การกม (b) การน ง
สาหรบการทดลองจะแบงการทดลองออกเปน 2 การทดลองหลก ไดแก การทดลองท 1
วเคราะหโดยใชโครงขายประสาทเทยม (Neural network) และการทดลองท 2 วเคราะหโดยใช
SVM (Support Vector Machine)
71
ตวอยางของทาทางสาหรบการวเคราะหทาทาง
ภาพประกอบ 4-9 ตวอยางการแสดงทาทางการยน และการเดน
ภาพประกอบ 4-10 ตวอยางการแสดงทาทางการนอน
72
ภาพประกอบ 4-11 ตวอยางการแสดงทาทางการน ง
73
ภาพประกอบ 4-12 ตวอยางการแสดงทาทางการกม
74
4.4.1 การทดลองท 1 วเคราะหโดยใชโครงขายประสาทเทยม (Neural network)
4.4.1.1 สมมตฐาน
การใชคณสมบตเดนจากโมเดลมนษยสาหรบการคานวณพารามเตอรอนนาไปเขาส
กระบวนรจ าเพอวเคราะหทาทางสามารถคานวณไดจากแบบจาลองมนษยอยางงาย โดยพจารณา
ความสมพนธของแตละองคประกอบภายในทสมพนธกนของโครงสรางมนษย ประกอบดวย 2 เวก
เตอร คอ เวกเตอรสน าเงนv อธบายความสมพนธระหวางล าตว และศรษะ สวนเวกเตอรสชมพ v
อธบายความสมพนธระหวางล าตว และขา โดยคามมของเวกเตอร [θ , θ ] และคาความตางของ
ความลก [D ,D ] สามารถอธบายถงทาทางของมนษยโดยการใชโครงขายประสาทเทยม (Neural
Network) สาหรบรจ าทาทาง ดงตวอยางพารามเตอรสาหรบการรจ าในบทท 3
4.4.1.2 ปจจยกาหนดในการทดลอง
1) ใช OpenCv library สาหรบการประมวลผลภาพ และกลอง Kinect Camera สาหรบทา
วดโอขอมลทใหภาพส ความละเอยดขนาด 640x480 จด และภาพความลก ขนาด 640x480 จด โดย
ระดบของความลกทไดอยท 256 ระดบ คอมพวเตอรสาหรบการประมวลผล CPU Dual Core 2.4
Ghz, แรม 1 Gb
2) ภาพวดโอขอมลประกอบดวยการจาลองทาทางของมนษยจ านวน 4 คน ทาการคดขอมล
สาหรบใชในการเทรนโครงขายประสาทเทยม (Neural Network) โดยใชแมทแลป (Mat Lab)
ฟงกช น Neural Pattern Recognition Tool เปนเครองมอสาหรบการเทรน
4.4.1.3 ผลการทดลอง
ผลการทดลองจากการใชโครงขายประสาทเทยม (Neural Network) ไดมการกาหนดอนพต
ท งหมด 4 อนพต คอ คามม [θ , θ ] ของเวกเตอรทสมพนธกนของลาตวกบศรษะ และลาตวกบขา
และคาความตางของความลก [D , D ] ระหวางล าตวกบศรษะ และลาตวกบขา โดยมเลเยอรซอน
1 เลเยอร และเอาพตมท งหมด 4 เอาพต น นกคอทาทาง การยนหรอการเดน (0001), การน ง (0010),
การนอน (0100) และการกม (1000)
การทดลองยอยท 1 ทดลองทมมมอง 60 องศา
สาหรบการเทรนจะแบงเปนสองการทาลองคอทจ านวน 400 ชดขอมล แบงเปน การยน
หรอการเดน 100 ขอมล การน ง 100 ขอมล การกม 100 ขอมล และการนอน 100 ขอมล จ านวน
โหนด (node) ทใชสาหรบการเทรนขอมล คอ 20, 25, 30, 35, 40
75
ตารางท 4-2 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 400
โหนด การรจ าทาทาง (เฉลย)
Training Validation Testing Total
20 95.0% 95.0% 96.7% 95.2%
25 95.0% 98.3% 96.7% 95.8%
30 94.6% 93.3% 95.0% 94.5%
35 95.7% 93.3% 93.3% 95.0%
40 93.9% 96.7% 98.3% 95.0%
และจานวน 800 ชดขอมล แบงเปน การยนหรอการเดน 200 ขอมล การน ง 200 ขอมล การ
กม 200 ขอมล และการนอน 200 ขอมล จ านวนโหนด (node) ทใชสาหรบการเทรนขอมล คอ 20,
25, 30, 35, 40
ตารางท 4-3 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 800
โหนด การรจ าทาทาง (เฉลย)
Training Validation Testing Total
20 95.4% 95.8% 96.3% 95.1%
25 95.9% 95.0% 97.5% 96.0%
30 96.4% 96.7% 96.7% 96.5%
35 96.4% 94.2% 94.2% 95.8%
40 94.5% 95.8% 93.3% 94.5%
จากตารางท 4-1 และ4-2 อธบายถงความเหมาะสมของจานวนโหนด กบขอมลทใชสาหรบ
เทรนการเทรนเมอจานวนขอมลมอตราสวนมากกวาจ านวนโหนด การเพมโหนดจะทาใหความ
ถกตองมากข น แตเมอเพมถงจดหนงทจ านวนขอมลมความเหมาะสมกบจานวนโหนดจะไดผลลพธ
ทมความถกตองมากทสด หลงจากน นความถกตองจะลงลดเนองจากจานวนโหนดมอตราสวน
มากกวาจ านวนขอมล และความถกตองจะมากข นโดยข นอยกบปรมาณขอมลทมากข นอกดวย โดย
จานวนโหนดทมความเหมาะสมมากทสดคอ 30โหนด ตอ จ านวนขอมล 800 ชดขอมล ดงตารางท
4-3
76
ตารางท 4-4 อตราความถกตองของแตละทาทางทมากทสด
ทาทาง การรจ าทาทาง (เฉลย)
การยน หรอการเดน 95.8%
การน ง 96.5%
การนอน 96.6%
การกม 97.0%
จากตารางท 4-4 แสดงผลการทดลอง การยนหรอการเดน การนอน การกม และการน ง
โดยในลาดบทต าทสดมความถกตอง 95.80 % ททาการยนและการเดน และสงทสดมความถกตอง
97.0% ททาการกม โดยความถกตองของการรจ าทาทางพนฐานโดยเฉลยอยท 96.5%
ตารางท 4-5 อตราความถกตองของแตละทาทาง และความผดพลาด
การยน และ
การเดน
การน ง การนอน การกม
การยน หรอ
การเดน
184 5 1 2
การน ง 7 194 0 0
การนอน 3 1 199 3
การกม 6 0 0 195
จากตารางท 4-5 อธบายถงความผดพลาดของการวเคราะหทาทางสาหรบของแตละทาทาง
จานวนทาทางละ 200 คร ง โดยความผดพลาดทนอยทสดคอทานอนมความผดพลาดโดยวเคราะหวา
เปนทาการยน หรอการเดน 1 คร ง และทาทางทมความผดพลาดมากทสดคอทาการยน หรอการเดน
วเคราะหผดพลาดไปททา การน ง 7 คร ง ,การนอน 3 คร ง และการกม 6 คร ง เนองจาก การยน หรอ
เดน เปนทาทางหลกสาหรบกอนทจะเปลยนไปทาทางอนๆจงทาใหขอมลทนาไปเทรนอาจเกด
ความทบซอนของขอมลในชวงของการเปลยนทาจงทาใหคาความผดพลาดมคาสงกวาทาอน ๆ
77
ตารางท 4-6 อตราความถกตองของแตละมมมอง
มมกลอง(องศา) การรจ าทาทาง(เฉลย)
0 87.56%
45 90.73%
75 93.38%
90 1.33%
จากตารางท 4-6 จากผลการทดลองมมกลองทเขาใกล 60 องศา ความคลาดเคลอนจะมคา
นอยลงเรอยๆ และจะไมสามารถวเคราะหทาทางไดเมอถงมมมองทไมสามารถเหนรางกายมนษย
จากดานขางไดครบทกสวนดงมมมองท 90 องศา จากตารางท 4-6 ผลการทดลอง การยนและการ
เดน การนอน การกม และการน ง โดยการปรบมมมององศาของกลองทแตกตางออกไป มมมองทม
ความแมนย าต าสดคอ 90 องศา มความแมนย า 1.33% และมมมองทมความแมนย าสงทสดคอ 75
องศา มความแมนย า 93.38%
4.4.1.4 วเคราะหและสรปผลการทดลอง
จากผลลพธทไดจากการทดลองสามารถสรปผลการทดลองไดวาความถกตองข นอยกบ
ปรมาณของจานวนของขอมล และจานวนโหนดของโครงขายประสาทเทยม (Neural Network)
และมความเหมาะสมกนระหวางจ านวนของขอมล และโหนด ซงความถกตองของแตละมมมองทม
ความคลาดเคลอนกนเกดจากหลายสาเหต คอ การถายวดโอขอมลทไมไดมาจากการถายในคร ง
เดยวกนเนองจากจาเปนตองใชกลองตวเดยวกนสาหรบการทดลองเพราะพารามเตอรของการคาล
เบตของกลองแตละตวไมเหมอนกนอาจทาใหพารามเตอรอนไดรบผลกระทบ
4.4.2 การทดลองท 2 วเคราะหโดยใช SVM (Support Vector Machine) สาหรบการ
วเคราะหทาทาง
4.4.2.1 สมมตฐาน
การใชคณสมบตเดนจากโมเดลมนษยสาหรบการคานวณพารามเตอรอนนาไปเขาส
กระบวนรจ าเพอวเคราะหทาทางสามารถคานวณไดจากแบบจาลองมนษยอยางงาย โดยพจารณา
ความสมพนธของแตละองคประกอบภายในทสมพนธกนของโครงสรางมนษย ประกอบดวย 2 เวก
เตอร คอ เวกเตอรสน าเงนv อธบายความสมพนธระหวางล าตว และศรษะ สวนเวกเตอรสชมพ v
อธบายความสมพนธระหวางล าตว และขา โดยคามมของเวกเตอร [θ , θ ] และคาความตางของ
78
ความลก [D ,D ] สามารถอธบายถงทาทางของมนษยโดยการใช SVM (Support Vector
Machine) สาหรบรจ าทาทาง ดงตวอยางพารามเตอรสาหรบการรจ าในบทท 3
4.4.2.2 ปจจยกาหนดในการทดลอง
1) ใช OpenCv library สาหรบการประมวลผลภาพ และกลอง Kinect Camera สาหรบทา
วดโอขอมลทใหภาพส ความละเอยดขนาด 640x480 จด และภาพความลก ขนาด 640x480 จด โดย
ระดบของความลกทไดอยท 256 ระดบ คอมพวเตอรสาหรบการประมวลผล CPU Dual Core 2.4
Ghz, แรม 1 Gb
2) ภาพวดโอขอมลประกอบดวยการจาลองทาทางของมนษยจ านวน 4 คน ทาการคดขอมล
สาหรบใชในการเทรน SVM (Support Vector Machine) โดยใชฟงกช นจาก OpenCv สาหรบการเท
รน และทดสอบ
4.4.2.3 ผลการทดลอง
ผลการทดลองจากการใช SVM (Support Vector Machine) ไดมการกาหนดอนพตท งหมด
4 อนพต คอ คามม [θ , θ ] ของเวกเตอรทสมพนธกนของลาตวกบศรษะ และลาตวกบขา และคา
ความตางของความลก [D , D ] ระหวางล าตวกบศรษะ และลาตวกบขา และเอาพตมท งหมด 4 เอา
พต น นกคอทาทาง การยนหรอการเดน (คลาส 1), การน ง (คลาส 2), การนอน (คลาส 3) และการกม
(คลาส 4)
การทดลองยอยท 1 ทดลองทมมมอง 60 องศา
สาหรบการเทรนจะแบงเปนสองการทาลองคอทจ านวน 400 ชดขอมล แบงเปน การยน
หรอการเดน 100 ขอมล การน ง 100 ขอมล การกม 100 ขอมล และการนอน 100 ขอมล จ านวนรอบ
ของการเทรนทใชสาหรบการเทรนขอมล คอ 10000, 100000, 1000000, 10000000, 10000000
ตารางท 4-7 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 400
จ านวนรอบการเทรน การรจ าทาทาง (เฉลย)
10000 90.8%
100000 91.8%
1000000 90.6%
10000000 91.0%
79
และจานวน 800 ชดขอมล แบงเปน การยนหรอการเดน 200 ขอมล การน ง 200 ขอมล การ
กม 200 ขอมล และการนอน 200 ขอมล จ านวนรอบของการเทรนทใชสาหรบการเทรนขอมล คอ
10000, 100000, 1000000, 10000000, 10000000
ตารางท 4-8 อตราความถกตองสาหรบการสมจานวนโหนดทชดขอมล 800
จ านวนรอบการเทรน การรจ าทาทาง (เฉลย)
10000 90.8%
100000 91.5%
1000000 92.6%
10000000 91.4%
จากตารางท 4-7 และ4-8 อธบายถงความเหมาะสมของจานวนรอบของการเทรน กบขอมล
ทใชสาหรบเทรนการเทรนเมอจานวนขอมลมอตราสวนมากกวาจ านวนรอบ การเพมจานวนรอบจะ
ทาใหความถกตองมากข น แตเมอเพมถงจดหนงทจ านวนขอมลมความเหมาะสมกบจานวนรอบจะ
ไดผลลพธทมความถกตองมากทสด หลงจากน นความถกตองจะมการเปลยนแปลงนอยมากหรอไม
มเลยเนองจากไมมการเปลยนแปลงของกลมขอมลทเขาใกลเสนซบพอรตเวกเตอร และความถก
ตองจะมากขนโดยข นอยกบปรมาณขอมลทมากข นอกดวย โดยจานวนรอบทมความเหมาะสมมาก
ทสดคอ 100000 รอบ ตอ จ านวนขอมล 800 ชดขอมล ดงตารางท 4-9
ตารางท 4-9 อตราความถกตองของแตละทาทางทมากทสด
ทาทาง การรจ าทาทาง (เฉลย)
การยน หรอการเดน 90.5%
การน ง 97.0%
การนอน 97.0%
การกม 87.5%
จากตารางท 4-9 แสดงผลการทดลอง การยนหรอการเดน การนอน การกม และการน ง
โดยในลาดบทต าทสดมความถกตอง 87.50 % ททาการกม และสงทสดมความถกตอง 97.0% ททา
การน ง และการนอน โดยความถกตองของการรจ าทาทางพนฐานโดยเฉลยอยท 92.6%
80
ตารางท 4-10 อตราความถกตองของแตละทาทาง และความผดพลาด
การยน หรอ
การเดน
การน ง การนอน การกม
การยน หรอ
การเดน
178 6 2 7
การน ง 8 186 2 4
การนอน 5 6 194 5
การกม 9 2 2 184
จากตารางท 4-10 อธบายถงความผดพลาดของการวเคราะหทาทางสาหรบของแตละทาทาง
จานวนทาทางละ 200 คร ง โดยความผดพลาดทนอยทสดคอทานอนมความผดพลาดโดยวเคราะหวา
เปนทาการยน หรอการเดน 2 คร ง ,การน ง 2 คร ง และการกม 2 คร ง และทาทางทมความผดพลาด
มากทสดคอทาการยน หรอการเดน วเคราะหผดพลาดไปททา การน ง 8 คร ง ,การนอน 5 คร ง และ
การกม 9 คร ง เนองจาก การยน หรอเดน เปนทาทางหลกสาหรบกอนทจะเปลยนไปทาทางอนๆจง
ทาใหขอมลทนาไปเทรนอาจเกดความทบซอนของขอมลในชวงของการเปลยนทาจงทาใหคาความ
ผดพลาดมคาสงกวาทาอน ๆ
ตารางท 4-11 อตราความถกตองของแตละมมมอง
มมกลอง(องศา) การรจ าทาทาง(เฉลย)
0 84.26%
45 87.55%
75 89.14%
90 1.31%
จากตารางท 4-11 จากผลการทดลองมมกลองทเขาใกล 60 องศา ความคลาดเคลอนจะมคา
นอยลงเรอยๆ และจะไมสามารถวเคราะหทาทางไดเมอถงมมมองทไมสามารถเหนรางกายมนษย
81
จากดานขางไดครบทกสวนดงมมมองท 90 องศา จากตารางท 4-11 ผลการทดลอง การยนและการ
เดน การนอน การกม และการน ง โดยการปรบมมมององศาของกลองทแตกตางออกไป มมมองทม
ความแมนย าต าสดคอ 90 องศา มความแมนย า 1.31% และมมมองทมความแมนย าสงทสดคอ 75
องศา มความแมนย า 89.14%
4.4.2.4 วเคราะหและสรปผลการทดลอง
จากผลลพธทไดจากการทดลองสามารถสรปผลการทดลองไดวาความถกตองข นอยกบ
ปรมาณของจานวนของขอมล และจานวนรอบของการเทรน และมความเหมาะสมกนระหวาง
จ านวนของขอมล และจานวนรอบ และเมอถงจดๆหนงความถกตองจะมการเปลยนแปลงนอยมาก
ถงไมมเลยน นกไมมการเปลยนแปลงของตวซบพอรตเวกเตอร ซงความถกตองของแตละมมมองท
มความคลาดเคลอนกนเกดจากหลายสาเหต คอ การถายวดโอขอมลทไมไดมาจากการถายในคร ง
เดยวกนเนองจากจาเปนตองใชกลองตวเดยวกนสาหรบการทดลองเพราะพารามเตอรของการปรบ
ใหอยในมาตรฐานเดยวกน (Calibrate) ของกลองแตละตวไมเหมอนกนอาจทาใหพารามเตอรอน
ไดรบผลกระทบ และอกหนงปจจยหลกททาใหเกดขอผดพลาดคอระดบความละเอยดทไดจากภาพ
ความลกเมอวตถอยหางจากกลองมากๆความละเอยดจะลดนอยลงซงทาใหพารามเตอรทไดมความ
คลาดเคลอนทาใหสงผลตอการวเคราะหทาทางทคลาดเคลอนดวยเชนกน
4.5 การวเคราะหทาทางมนษยแบบเรยลไทม (Realtime Implementation)
สาหรบการวเคราะหทาทางสามารถทาไดแบบเรยลไทมดวยความเรวในการประมวลผลท
ความเรว 22 เฟรม/วนาท สาหรบการวเคราะหดวยโครงขายประสาทเทยม และวเคราะหโดยใช
SVM (Support Vector Machine) ประมวลผลทความเรว 23 เฟรม/วนาท โดยใชภาพทมความ
ละเอยด 320x240 พกเซล
โดยการนาคาน าหนกทไดจากการเทรนในโครงขายประสาทเทยมโดยใชโปรแกรม Matlab
มาทาการคณกบพารามเตอรทไดจากกระบวนการดงคณสมบตจะไดเปนคาซงมท งหมด 4 กลม
ไดแก การยนหรอการเดน (0001), การน ง (0010), การกม (0100) และ การนอน (1000) สาหรบ
กระบวนการวเคราะหโดยใช SVM ใช library ของ opencv สาหรบการทาเรยลไทมโดยใชขอมลเท
รนชดเดยวกบโครงขายประสาทเทยมและแบงเปน 4 กลมเชน
82
4.6 สรป
สาหรบการประเมนประสทธภาพจะแบงการทดลองออกเปน 2 การทดลองหลก ไดแก การ
ทดลองท 1 วเคราะหโดยใชโครงขายประสาทเทยม (Neural network) และการทดลองท 2 วเคราะห
โดยใช SVM (Support Vector Machine) โดยใชลกษณะเดนเปนอนพตสาหรบการเทรนคอ
[θ , θ ] และ [D ,D ] และเอาพตท งหมด 4 เอาพตตามจานวนทาทางคอ การยนหรอการเดน การ
น ง การนอน และการกม
การทดลองท 1 ความถกตองข นอยกบความเหมาะสมของอตราสวนระหวางจ านวนขอมลท
เทรน และจานวนโหนดของการเทรน และจะแปรผนตามปรมาณจานวนของขอมลทนามาเทรน
การทดลองท 2 ความถกตองข นอยกบจานวนปรมาณของขอมลทนามาเทรน และความครอบคลม
ของขอมล โดยท งสองวธทใชในการทดสอบสงสาคญททาใหไดความถกตองคอลกษณะเดนทเท
รนมความเปนลกษณะเดนเฉพาะทมความทบซอนกนนอยมาก ซงความถกตองของแตละมมมองท
มความคลาดเคลอนกนเกดจากหลายสาเหต คอ การถายวดโอขอมลทไมไดมาจากการถายในคร ง
เดยวกนเนองจากจาเปนตองใชกลองตวเดยวกนสาหรบการทดลองเพราะพารามเตอรของการคาล
เบตของกลองแตละตวไมเหมอนกนอาจทาใหพารามเตอรอนไดรบผลกระทบ
โดยผลลพธจากการทดลองท 1 มความแมนย ามากกวาการทดลองท 2 เนองจากการใช
โครงขายประสาทเทยม (Neural Network) ผลจากการเทรนจะไดเปนคาน าหนกสาหรบการนาไป
เขาสกระบวนวเคราะหซงมากความยดหยนมากกวา SVM ทใชตวซบพอรตเวกเตอรสาหรบการ
แบงคลาสทาใหความยดหยนของขอมลอนพตทคลมเครอนอยกวาวธโครงขายประสาทเทยมซงทา
ใหผลลพธมความถกตองนอยลง
จากผลการทดลองในบทน กลาวถงการใชภาพส และภาพความลกนามาดงลกษณะเดน
จากน นวเคราะหทาทางโดยใชวธการสอนคอมพวเตอรใหมความเขาพารามเตอรเพอจาแนก
ทาทาง(Machine Learning) สาหรบการทดสอบระบบมความยดหยนในเรองของมมกลองซงผลก
คอมความอสระในเรองของการตดต ง
83
บทท 5
สรปผลการวจยและขอเสนอแนะ
ปจจบนการเกดเหตการณทไมพงประสงคสามารถเกดไดตลอดเวลา ไมวาจะเปนเหตการณท
เกยวกบความปลอดภยในชวต และทรพยสน จากขาวตามสอตางๆมากมาย เชน การปลน การลอบ
สงหาร การลอบวางระเบด เปนตน หรอเหตการณทเกยวกบการเฝาระวงมนษยเพอวเคราะห
พฤตกรรมความเปนอย เชน การดแลผ สงอาย การสงเกตการณทางานของพนกงานในโรงงาน เปน
ตน เหตการณทกลาวมาถอเปนเรองทควรใหความสาคญเปนอยางมาก เนองจากมผลกระทบตอการ
ดารงชวตของมนษย อยางไรกตามเรองของการเฝาระวงพฤตกรรมมนษยในปจจบนย งไมสามารถ
ทาไดดพออนเนองมาจากระบบรกษาความปลอดภยทมอยไมสามารถสงเกตไดตลอดเวลา มาจาก
หลายสาเหต เชน บคคลทนามาเฝาเกดการบกพรองในหนาทไมวาจะเปนกรณใดๆกตาม หรอ
แมกระท งเปนผ กระทาผดเอง เปนตน ดงน นการนาเอาระบบการประมวลภาพเขามาชวยสาหรบ
วเคราะหเหตการณผดปกตทเกดแบบอตโนมตจะใหชวยลดภาระ และทาใหไดผลลพธทดกวา
5.1 สรปผลการวจย
สาหรบงานวจยน ไดวจยและพฒนาวธการวเคราะหทาทางพนฐานไดแก การยน การเดน การ
น ง การกม และการนอน ซงสามารถนาไปประยกตจ าแนกพฤตกรรมเพอใชในการเฝาระวง
เหตการณผดปกต โดยใชกลองทมคณสมบตส และความลก จากมมมองดานขาง โดยใชคาความลก
เขามาชวยแกปญหาในสวนของขอผดพลาดทเกดจากมมมองในกรณทเกดทาทางในมมมองหนา
ตรงกบกลองซงจะทาใหเกดขอผดพลาดในสวนของการดงลกษณะเดน แตเมอนาความลกเขามา
ชวยทาใหสามารถดงลกษณะเดนอนนาไปสการวเคราะหทาทางไดอยางแมนย ามากยงข น โดย
คณลกษณะเดนไดมาจากโมเดลมนษยอยางงายทมความสมพนธกนของลาตวกบศรษะ และลาตว
กบขา จากน นเขาสกระบวนการวเคราะหทาทางโดยใชกระบวนการสาหรบการรจ าจากการสอน
Neural Network และ SVM เพอเปรยบเทยบผลลพธสาหรบรจ าทาทาง ไดแก การยนหรอการเดน
การน ง การกม และการนอน
ความผดพลาดทเกดจากขอจากดของกระบวนการลบพนหลง แยกเปน 2 กรณ ดงน (1)
กรณว ตถอยหางจากกลองทาใหคาความละเอยดของภาพความลกมคานอยลงทาใหคาพนหลงกบ
วตถถาอยตดกนมากๆจะไมสามารถแยกไดจงถกจ าแนกเปนพนหลงไปดวยทาใหบรเวณของวตถ
บางสวนหายไปซงถาหากเปนพนทเพยงเลกนอยกระบวนการตดตามโดยใชข นตอนวธการย ายเขาส
คากลางโดยการปรบตวอยางตอเนองจะย งคงใหผลการตดตามทไมเกดความผดพลาดมากนก
84
เนองจากกระบวนการน ใชพนฐานทางสถตโดยการหาตาแหนงคากลาง ถาหากจดขอมลหายไป
เพยงเลกนอยเมอคาควณหาคากลางยอมไดคาทมความผดพลาดเพยงนอยเทาน น แตถาหากพนท
บรเวณวตถมคาความลกเหมอนกบพนหลงเปนบรเวณกวางจะทาใหผลการหาตาแหนงของวตถผด
ไปอยางมาก ซงทายทสดจะสงผลไปย งการจาแนกทาทางทผดพลาด ดงน นการพฒนากระบวนการ
ลบพนหลงใหมประสทธภาพดข นยอมมความสาคญกบการพฒนากระบวนรจ าทาทางและรจ า
กจกรรมตอไป
5.2 อภปรายผล
สาหรบการประเมนของระบบไดแบงการทดสอบเปน 2 การทดลอง การทดลองท 1
วเคราะหโดยใชโครงขายประสาทเทยม (Neural network) และการทดลองท 2 วเคราะหโดยใช
SVM (Support Vector Machine)
การทดลองท 1 ใชเทคนคโครงขายประสาทเทยม (Neural network) ผลการทดลองทม
ความแมนย ามากทสด 96.5% โดยในลาดบทต าทสดมความถกตอง 95.80 % ททาการยนและการ
เดน และสงทสดมความถกตอง 97.0% ททาการกม โดยทจ านวนโหนด และจานวนขอมลทเทรนม
ผลตอความแมนย าซงในทน คอ 30 โหนด ทขอมล 800 ชด ตอ 1 มมมอง สรปคอถาอตราสวนของ
จานวนชดขอมลและจานวนโหนดของการเทรนทไมเหมาะสมผลลพธกจะมความคลาดเคลอน
การทดลองท 2 ใชเทคนค SVM (Support Vector Machine) ผลการทดลองทมความแมนย า
มากทสด 91.5% โดยในลาดบทต าทสดมความถกตอง 87.50 % ททาการกม และสงทสดมความ
ถกตอง 97.0% ททาการน ง และการนอน ทชดขอมลเดยวกนคอ 800 ชด ตอ 1 มมมอง
สาหรบความถกตองของมมมองพบวามมมองทมความใกลเคยงกบมมมองหลก(มมมองท 60
องศา) มากทสดจะมความแมนย าถกตองมากกวามมมองทหางออกไปเนองจากคาพารามเตอรหลง
ผานกระบวนการโรเตช น (rotation) แลวมความผดพลาดไมแมนย า 100% และทาใหกระทบตอ
ความคาพารามเตอรทใชสาหรบการวเคราะห ซงจะกระทบมากข นเมอวตถอยหางจากกลองมากข น
เนองจากคาความละเอยดของกลองทเปนภาพความลกจะละเอยดนอยลงเมอวตถอยหางจากกลอง
มากข น
5.3 ขอเสนอแนะ
สาหรบงานวจยน มงเนนไปทการวเคราะหทาทางซงเปนทาทางพนฐานทสามารถนาไป
ประยกตเพอวเคราะหเปนพฤตกรรม ทสามารถนาไปใชเปนระบบเฝาระวงตางๆ เชน ดแลผ สงอาย
ผ ปวย หรอไมวาจะเปนเหตการณทเกยวกบความปลอดภยในชวต และทรพยสน ซงสามารถแจง
85
เตอนไดอยางทนทวงท จากการทดสอบระบบประสทธภาพสง และการตดต งกลองทาไดงายเปน
ระบบทไมซบซอน แตเนองจากกลองทใชเปนกลองการประยกตใชกลองททางานเฉพาะดาน
สาหรบการเลนเกมส (Kinect Camera) ทใชงานในทไมมแสงแดด หรอมความสวางนองกวาอน
ฟาเรดเทาน นเนองจากตวกลองใชอนฟาเรดสาหรบการสรางภาพความลกโดยบางมมทอนฟาเรด
สองไปไมถงทาใหสวนน นเปนจดบอดทไมสามารถวเคราะหได จงทาใหงานวจยน มขอจ ากดใน
เรองของสภาพแวดลอมทปด และขนาดพนทของการวเคราะหถกจ ากดโดยกลอง ในเรองของความ
คลาดเคลอนเมอวตถอยหางจากกลองมากๆทาใหความละเอยดลดนอยลงซงจะสงผลโดยตรงกบ
พารามเตอรความลกทนาไปเปนอนพตของการวเคราะหทาทาง สาหรบการพฒนาตอควรใชกลองท
เปน Stereo Vision จากการนาภาพสมาสรางเปนภาพความลกซงจะทาใหผลลพธมความแมนย ามาก
ข น สาหรบความผดพลาดทเกดจากวตถอยหางจากกลองมากสงผลกระทบใหคาความละเอยดของ
ภาพความลกลดลงจนทาใหพารามเตอรคลาดเคลอนสามารถแกไขเพมความละเอยดของภาพจาก
ปกตใชเปนภาพความละเอยดขนาดเพยง 8 บท ซงกลอง kinect camera สามารถใหภาพทมความ
ละเอยดไดสงสดท 16 บท
86
เอกสารอางอง
[1] รศ.ดร.มนตร กาญจนะเดชะ, หนงสอการประมวลผลภาพ, last modified: unknown, Access date: 24 November 2008 [2] ผศ.ดร.สเทพ มาดารศม, http://cpe.kmutt.ac.th/previousproject/2005/2/index.htm, last modified: unknown, Access date: 30 January 2009. [3] Gary Bradski and Adrian Kaebler, Learning OpenCV, last modified: September 2008, Access date: 31 January 2009. [4] John G. Allen, Richard Y. D. Xu and Jesse S. Jin, “Object Tracking Using CamShift Algorithm and Multiple Quantized”, in Proc. 2003 Pan-Sydney Area Workshop on Visual Information Processing (VIP2003), Sydney, Australia. CRPIT. [5] C. Canton-Ferrer, J.R.Casas, M.Pardas, M.E.Sargin and A.M.Tekalp, “3D Human Action Recognition in Multiple View Scenarios,” in ICIP (2006). [6] M. Ahmad and Seong-Whan Lee, “Human action recognition using multi-view image sequences,” in Automatic Face and Gesture Recognition, 2006. FGR 2006. 7th International Conference on, 2006, 523-528, 10.1109/FGR.2006.65. [7] Nattapon Noorit, Nikom Suvonvorn, and Montri Karnchanadecha, “Model-based human action recognition,” in (presented at the Second International Conference on Digital Image Processing, Singapore, Singapore, 2010), 75460P-75460P-6, http://spie.org/x648.html?product_id=853223. [8] N. Gkalelis, N. Nikolaidis, and I. Pitas, “View indepedent human movement recognition from multi-view video exploiting a circular invariant posture representation,” in Multimedia and Expo, 2009. ICME 2009. IEEE International Conference on, 2009, 394-397, 10.1109/ICME.2009.5202517. [9] Daniel Chen, Pi-chi Chou, Clinton Fookes and Sridha Sridharan, “Multi-view human pose estimation using modified five-point skeleton model,” in ICSP (2007). [10] C. Stauffer and W. Grimson, “Adaptive background mixture models for real-time tracking,” in Proc. IEEE Int. Conf. on Computer Vision and Pattern Rec., 1999, pp. 252–259. [11] C. Wu, A. H Khalili, and H. Aghajan, “Multiview Activity Recognition in Smart Homes with Spatio Temporal Features”, in Proceedings of the 4th ACM/IEEE ICDSC, pp 142–149. [12] Ana Paula Brandão Lopes et al., “Action Recognition in Videos: from Motion Capture Labs to the Web,” 1006.3506 (June 17, 2010), http://arxiv.org/abs/1006.3506.
87
[13] Wanqing Li, Zhengyou Zhang, and Zicheng Liu, “Action recognition based on a bag of 3D points,” in Computer Vision and Pattern Recognition Workshops (CVPRW), 2010 IEEE Computer Society Conference on, 2010, 9-14. [14] R. Verma and A. Dev, “Vision based hand gesture recognition using finite state machines and fuzzy logic,” in Ultra Modern Telecommunications & Workshops, 2009. ICUMT '09. International Conference on, 2009, 1-6. [15] Pengyu Hong, Thomas S. Huang, and Matthew Turk, “Gesture Modeling and Recognition Using Finite State Machines,” in Automatic Face and Gesture Recognition, IEEE International Conference on, vol. 0 (Los Alamitos, CA, USA: IEEE Computer Society, 2000), 410.
88
ภาคผนวก ก.
ผลงานตพมพเผยแพรจากวทยานพนธ
1. P.Chawalitsittikul and N. Suvonvorn, “PROFILE-BASED HUMAN ACTION RECOGNITION USING DEPTH INFORMATION,” in Proceedings of the IASTED International Conference on Advances in Computer Science and Engineering, ACSE 2012, 2012, pp. 376–380.
89
90
91
92
93
94
95
ประวตผ เขยน
ชอ สกล นายพงศธร ชวลตสทธกล
รหสประจาตวนกศกษา 5310120016
วฒการศกษา
วฒ ชอสถาบน ปทสาเรจการศกษา
วศวกรรมศาสตรบณฑต
(วศวกรรมคอมพวเตอร)
มหาวทยาลยสงขลานครนทร 2552
ทนการศกษา
1. ทนโครงการพฒนามหาวทยาลยวจยแหงชาต (NRU)
2. ทนอดหนนการวจยเพอวทยานพนธ
การตพมพเผยแพรผลงาน 1. P. Chawalitsittikul and N. Suvonvorn, “PROFILE-BASED HUMAN ACTION RECOGNITION USING DEPTH INFORMATION,” in Proceedings of the IASTED International Conference on Advances in Computer Science and Engineering, ACSE 2012, 2012, pp. 376–380.