Ettersom det er ønskelig med størst mulig oppløsning så vil det i dette eksperimentet bli sett på hvordan kjøretiden for systemet er for avlesing av video fra data kontra kamera og mot et fullt klassifiseringsystem.
Det vil bli testet kjøretiden det tar for dataen å dekomprimere 1080p video-strøm med en bilderate på 30 og 15. Deretter vil det bli testet kjøretid ved avlesing direkte fra kamera i en oppløsning på 1080p med en bilderate på 30 og 15. Så
tes-ter en for bakgrunnsubtraksjon med morphologiske operasjoner med bilderate 30 og oppløsning 1080p. Videre tester en for bakgrunnsubtraksjon uten morphologiske operasjoner med bilderate 30 og oppløsning 1080p. Så kjørers bakgrunnsubtraksjon uten morphologiske operasjoner men med endret historie parameter i bakgrunnsub-traksjonen.
Til slutt testes hele systemet.
Resultat
8.1 Eksp. 1: Analyse av bakgrunnsubtraksjon
Resultatene blir drøftet ved samme bil i samme ramme for alle forskjellige parame-tere.
En av parameterne er historiske verdier. Når parameteren for histore øker vil det-te si at læringsradet-ten blir mindre ↵= 1/history. Læringsraten brukes til å begrense begrense inflytelsen til gammel data.
Figur 8.1: Bildet til høyre viser et bilen med en historie på 10. Dette gir en høy læringsrate som forårsaker at bilen raskt blir en del av bakgrunnen. Bildet til høyre viser bilen ved en historie på 3000. Dette gir en lav læringsrate som gjør at det tar lenger tid før bilen blir en del av bakgrunnen.
Læringsrate gjør at pikselendringen tilpasser seg bakgrunnen noe treigere. Ved en lavere histore på 10 vil objekten nesten ikke bli detektert som fremgrunn på grunn av at pixlene tilpasser seg så fort og blir betraktet som bakgrunn. Så ved å begrense læringsraten ved en høyere histore så vil objektene bli tydliger ettersom dei ikke blir en del av bakgrunnen så fort.
Dei tre første bildene representerer parameterne:
• Historie: 50 rammer.
• Terskelverdi: Bilde 8.2a har terskelverdi på 5, bilde 8.2b på 10 og bilde 8.2c på 15
(a) Deteksjonen av bilen kommer godt frem, men selv ved en lav terskelverdi så har bilen mye hull som må bli tettet for en god gjenngivelse av bilen. Bilde har også noe salt og pepper støy, men på grunn av liten mengde er ikke det noe poblem å fjærne dette.
(b) Også her komme bilen godt frem, men her er terskelverdien økt fra 5-10 og dermed øker størrelsen på hullene i objektet. Den nye terskelverdien er med på å minke andelen salt og pepperstøy i bilde.
(c) Ved en terskelverdi på 15 øker hullene i bilen enda litt til. Det vil nå kreve en ganske stor filtermaske for å kunne tette hullene. Terskelverdien har derimot gjort at tilstedeværelsen av støy fra andre kilder enn bilens lykt er opp imot fraværende.
Dei tre neste bildene av bilen representeres med parameterne:
• Historie: 200 rammer.
• Terskelverdi: Bilde 8.3a har terskelverdi på 5, bilde 8.3b på 10 og bilde 8.3c på 15
(a) Her er store deler av bilen detektert. På grunn av at antall historiske rammer har økt så vil andelen salt og pepperstøy være svært liten, noe en kan se ut ifra bildet. Avstanden mellom bilen og lyset fra bilens lykter er derimot liten.
Dette betyr at strukturelementet åpning bør være større enn strukturelementet lukking. Grunnen er at bilen ikke må bli detektert som et objekt sammen med belysningen. Dette vil forårsake at klassifiseringen av bilen blir feil.
(b) Her er terskelverdien økt fra 5 til 10 og dermed kan en se at avstanden mellom bilen og bilens belysning av veien øker. Dette er positivt for en senere filtrering.
(c) Terskelverdien er økt fra 10-15 og avstanden mellom bilen og dens belysning er enda større. Det har derimot oppstått noen hull i den detekterte bilen.
Videre er de tre neste bildene representert med parameterne:
• Historie: 500 rammer.
• Terskelverdi: Bilde 8.5a har terskelverdi på 5, bilde 8.6b på 10 og bilde 8.6c på 15
(a) Terskelverdien her er 5 og historiske verdier er satt til 500. Her er bilen til-nærmet et objekt sammen med belysningnen fra bilens lykter. Dette vil ikke gi en god tilnærming av bilen.
(b) Her er terskelverdien økt til 10 med en historisk verdi på 500. Her er avstanden mellom bilen og dens belysning økt, og en god tilnærming av bilen vil bli kunne gjennomført.
(c) Her er terskelverdien økt til 15, med en historisk verdi på 500. Avstanden mellom bilen og dens belysning er ytterligere økt og disse verdiene gir den best deteksjon av hele kjøretøyet, og vil derfor bli brukt videre.
Nå vil det bli brukt morfologiske operasjoner for å få en bedre deteksjon av bilen.
Det vil bli testet med både kvadratiske og elliptiske strukturelementer. Det vil også bli testet med en kombinasjon mellom de kvadratiske og elliptiske strukturelemen-tene. Tabellene for oppsett er gitt i 7.1
Først skal det bli analysert hvordan et kvadratisk strukturelement klarer å få frem objektet.
(a) Rektangulert strukturelement på 1x1. Her blir nesten ikke bilen påvirket av filtreringen, og en kan fortsatt se hull i objektet.
(b) Rektangulert strukturelement på 5x5. Her blir bilen noe mer påvirket av filteret, men en kan fortsatt se hull i bilen og bilen blir ikke godt nok detektert.
(c) Rektangulert strukturelement på 10x10. Her begynner hele objektet å bli de-tektert, men fortsatt så kan en øke strukturelementet for et større objekt.
(d) Rektangulert strukturelement på 15x15. Her er det en god gjenngivelse av ob-jektet. Tilnærmet hele objektet er detektert med god avstand til bilens belysning.
(a) Rektangulert strukturelement på 20x20, og gir den beste deteksjonen av bilen med kvadratisk strukturelement.
(b) Rektangulert strukturelement på 25x25.Her gjør filteret at det nesten blir kontakt mellom bilens belysning og bilen. Her ønskes en større avstand så bilen ikke skal bli detektert sammen med belysningen som et stort objekt.
(c) Rektangulert strukturelement på 30x30.Også her ønskes en større avstand så bilen ikke skal bli detektert sammen med belysningen som et stort objekt.
Her er det brukt et elliptisk strukturelement
(a) Elliptisk strukturelement på 1x1. Her har filterte tilnærmet ingen funksjon på bakgrunnsubtraksjonen.
(b) Elliptisk strukturelement på 5x5. Også her blir bilen for lite filtrert. Den har både hull og innsnevringer i formen.
(c) Elliptisk strukturelement på 10x10. Her begynner bilen å få en god gjenngivelse men den bør filtreres noe mer
(d) Elliptisk strukturelement på 15x15. Dette er en god tilnærming av bilen, selv om det fortsatt er en stor innsnevring i deteksjonen.
(a) Elliptisk strukturelement på 20x20. Igjen så er det 20x20 filtert som gir den beste deteksjonen av bilen. På grunn av at det brukes et elliptisk filter blir gjenngi-velsen av bilen enda bedre da den følger bilen noe bedre.
(b) Elliptisk strukturelement på 25x25.Fortsatt en god gjenngivelse av bilen, men avstanden til belysningen er litt liten.
(c) Elliptisk strukturelement på 30x30. Her er avstanden enda mindre og en kan risikere feil deteksjon.
Siden en fikk best resultat med elliptisk strukturelement så testes det ut med forskjellige elliptisk strukturelement i kombinasjon ved åpning, lukking og dilasjon.
(a) Her er strukturelementene på åpning 5, lukking 5 og dilasjon 20. Her vil objektet bli detektert med belysningen og derfor kan ikke denne kombinasjonen brukes.
(b) Her er strukturelementene på åpning 5, lukking 20 og dilasjon 5. Denne kom-binasjonen gir en bra deteksjon av bilen, men fortsatt er det noe hull og innsnev-ringer.
(c) Her er strukturelementene på åpning 5, lukking 20 og dilasjon 20. Her blir bilen en del av bilens belysning og kommer til å bli detektert som et stor objekt.
Dermed kan ikke denne brukes.
(d) Her er strukturelementene på åpning 20, lukking 5 og dilasjon 5. Her blir mye av bilen filtrert bort. Dermed kan heller ikke denne kombinasjonen brukes.
(a) Her er strukturelementene på åpning 5, lukking 20 og dilasjon 5. Her blir bilen detektert bra, selv om det er en litt mindre avstand en med et singelt elliptisk strukturelement på 20x20.
(b) Her er strukturelementene på åpning 20, lukking 5 og dilasjon 5. Her blir bilen en del av bilens belysning og kommer til å bli detektert som et stor objekt.
Dermed kan ikke denne brukes.
(c) Her er strukturelementene på åpning 20, lukking 20 og dilasjon 5. Her blir mye av bilen filtrert bort. Dermed kan heller ikke denne kombinasjonen brukes.
Dermed er det et elliptisk strukturelement på 20⇥20som gav den beste detek-sjonen av bilen. Det er da dette strukturelementet som kommer til å bli brukt videre i rapporten.