檢視/開啟
手姿辨識於評量系統之研究與應用
林守仁 陳瑞樂 蔡瑜珍 張邴淳 楊竹星
國立成功大學電
腦與通訊工程研
究所研究生
國立成功大學電腦與通訊工
程研究所研究生,
大仁科技大學數位多媒體系
台南市教育網路中心 國立成功大學電機系 國立成功大學電機系
lsr@tn.edu.tw reler@mail.tajen.edu.tw celia@tn.edu.tw moneyhomeya@
gmail.com
csyang@ee.ncku.edu.tw
摘要
本文探討將電腦辨識技術導入中小學評量系
統計，透過攝影機擷取使用者的手姿動作，經由電
腦辨識技術將手姿操作動作，轉化成有效的互動資
訊，再將此資訊應用於數位評量系統，期望設計新
型態互動方式以推進學習者與資訊系統之溝通模
式。使用者不需接觸任何互動裝置，只需透過手姿
來與系統溝通，依據手姿所示之不同信息，透過影
像處理方式，判別、比對來得知手姿意涵，進而來
操控系統之互動。本研究與評量系統整合，使教育
的普及性更往前一步。台灣學術網路(TANet)是使用
者最多的網路，網路上提供的學習服務也非常多
樣，經由本研究手姿辨識融入評量系統的建置，期
待能提供線上評量系統新的參考架構。
關鍵詞：手姿辨識、人機互動、電腦視覺
1. 前言
近年來由於科技媒體的進步，突破「人－滑鼠
－機器」間的互動模式，不需要額外的硬體，單純
以人體的姿態或手姿，將使的操控更為簡單，例如
wii 遊戲機。又隨著電腦運算速度的快速進步，需
要大量運算的辨識技術，在今日均可即時運算及互
動，因此若導入手姿的辨識技術融入數位評量系統
[1]，以直覺的操作介面增加使用者對數位評量系統
的接受度，將使學習容易且樂趣。本研究探討如何
將手姿辨識技術導入人機互動設計，期望能以及時
的電腦的視覺辨識技術捕捉使用者手姿動作，並轉
化成有效資訊與數位評量系統作互動，依此新型態
互動方式突破傳統互動方式的限制，達成使用者不
需按鍵盤、滑鼠或是接觸任何互動裝置即可進入指
定的評量系統，進行線上測驗，所有的作答活動都
可以透過手部姿勢來完成，將能使得學生更樂意參
與數位評量系統。
本研究共同評量系統的設計上參考學者的建
議，設計測驗編製功能及施測的介面，並依據目前
國中小現有的教學環境，配合學科能力指標，提供
詴題難易度的設計，採取以常規型態與綜合型態的
測驗方式來進行網頁的介面設計及詴題資料庫的
製作。
其次，為了讓學生在使用過成中，避免因為內
容的嚴肅性與單調性，可以使用外接設影設備的結
合，預先辨識使用者以手指的筆劃判斷答案，再以
USB 連線作為資料輸入源，成為滑鼠以外的另一個
輸入，增添評量過程使用的趣味性，也為本系統附
加推廣使用的價值加分。
2. 系統互動發展架構
2.1 系統設計理念
(1)遊戲中測驗，學習有意義
本系統透人體手指姿勢的動作表達數字
(1,2,3,4)與(對,錯)的影像辨識[2, 3]，過或是以滑鼠
與鍵盤的操作能夠經由網際網路進入測驗系統，完
成指定的評量作業，以測驗遊戲化為設計主軸，同
時達到學習目的。
(2)開放空間，上網看得到
經由線上評量系統與數位攝影系統兩者的結
合，可以把小朋友在學校的學習路線延伸到各自的
住家，家長們隨時可了解子女上網的活動，不會局
限在電腦房中的封閉空間，讓家長無從輔助與加入
其學習的活動。
(3)手指比一比，看對錯
系統設計以人體手指姿勢的動作表達數字
(1,2,3,4)與(對,錯)的影像辨識，讓使用者有其他的方
式可以表現所選擇的答案，因此設計系統結合攝影
元件來達成測驗目標，讓原本枯燥單調的互動過程
有了新的學習樂趣！
(4)學習分享，測驗遊戲化的親子互動：
本系統可以結合簡單的網際網路設備與攝影
功能，讓家長與學生共同參與學習測驗的過程，分
享測驗後成果，提供親子寓教於樂的互動環境。
(5)回饋曲線，進退自知
學生上登入系統，挑選試卷參加考試，測驗完
畢後可立即獲得成績並觀看試題詳解與相關教材
連結。測驗的結果經由系統的回饋分析，家長在家
可以觀看參與子女的學習成效與學習歷程，了解子
女的學習狀況。子女亦可透過成績回饋資訊了解自
己的學習狀況，以適時的調整自己學習狀況，調整
自己的學習方式。
(6)提供教育決策平台，資源公平分配
本研究後端開發的評量系統[1]是以現有教材
重組，結合題庫與學習者成就分析。以評量回饋系
統，實現適性化學習及差異化教學，並掌握系統使
用概況及反應學習回饋，強化學習引導使用能力。
而行政單位主管可以藉著本系統的學習回饋分析
之圖表，明確了解本縣市裡各學校的學習成效差異
狀況，挑出學習落差的區域，公平分配教學資源，
針對學習弱勢的學校給予妥善資源。
圖1. 設計概念圖
2.2 互動設計原則
經由文獻分析探討手姿互動相關之案例得
知，人機互動之互動模式除了傳統的鍵盤、滑鼠互
動裝置之外，已有其他互動裝置的研究設計，如感
應器、攝影機、觸控板…等都是可運用於人機互動
設計之裝置。本研究將運用手姿觸發資訊系統作為
互動，使用攝影機當作系統之輸入裝置，擷取使用
者之手姿資料，並經由個人電腦之中央處理器做電
腦視覺運算並透過電腦螢幕輸出，已完成本作品之
人機系統互動示意圖(圖2)。本系統之設計原則整理
如下：
1. 使用攝影機當作輸入裝置，螢幕當作輸出裝
置，取代傳統之互動裝置。
2. 使用者需使用雙手操作本系統，不需接觸任
何互動裝置，透過攝影機的影像擷取。
3. 使用者不需配戴任何裝置即可和系統互動，
將來可將此系統運用於公共場所。
圖2. 系統互動示意圖
2.3 辨識流程及方法
主要是以攝影機擷取手部影像後經由個人電
腦分析出手姿指令，透過代理程式將辨識結果轉換
成鍵盤輸入資訊，通過瀏覽器傳回伺服主機處理，
達到控制的目的。此信號分成兩類[4]，分別用於答
題與控制兩種類型:
a.答題類:分別以手姿1、2、3、4 代表選擇題答
案；是非題則使用1、2 代表對或者錯，如圖(3)所
示。
b.控制類:分別有送出、更正、往前、往後手姿
如圖(4)所示。
1
3
2
4
圖3，手姿對照答案類型
送
出
更正
往
前
往後
圖4， 控制類手姿
本系統僅需使用者手姿操作符合上述所列之
兩種類型範圍之內，就可達成資訊互動之目的。攝
影機連續擷取使用者影像，藉由電腦視覺技術取出
使用者之手姿位置，再判斷該手姿所表答之資訊即
可。
圖(5),說明互動系統之流程，起始於影像之擷取
後，先進行靜態處理包括(a)雜訊去除，(b)背景相
減，(c)人臉辨識與(d)膚色偵測；爾後接續進行相關
動態處理包括(e)形態學處理之閉合，(f)邊緣偵測與
輪廓搜尋，(g)切割出手姿圖，(h)進行手指數辨識後
所求得結果經由代理程式協助轉成相對應的使用
者輸入值進行評量系統之運作。以下說明相關處理
之方法。
圖5 ，互動系統操作流程圖
2.3.1 雜訊去除
平滑濾波器用於模糊化和減少雜訊，模糊化用
於預處理的工作，例如：在抽取物體之前從影像中
移除小的細節；把直線或曲線上的小間隙連接起來
等。因此減少雜訊可以使用一個線性濾波器[5-7]使
影像來模糊來完成。
高斯模糊通常用它來減小影像噪聲以及降低
細節層次。這種模糊技術生成的影像的視覺效果是
影像截取
膚色偵測
人臉辨識
型態學處理
(斷開&閉合)
雜訊去除 去除背景
邊緣偵測
切出手姿圖
辨識手姿 傳給資訊系統
好像經過一個半透明的螢幕觀察影像，這與鏡頭焦
外成像效果以及普通照明陰影中的效果都明顯不
同。高斯平滑也用於電腦視覺演算法中的預處理階
段以增強影像在不同尺寸下的影像效果。從數學的
角度來看，影像的高斯模糊過程就是影像與常態分
佈做卷積。由於常態分佈又叫作高斯分布，亦稱作
高斯模糊。由於高斯函式的傅立葉變換是另外一個
高斯函式，所以高斯模糊對於影像來說就是低通濾
波器的效果。下面的例子展示了高斯模糊的效果；
圖(6a) 是圖6(b)經過高斯模糊濾波器（σ = 2）處
理之後的結果。
圖6a，高斯濾波處理前 圖6b，高斯濾波處理後
此外，為了改善光線變化對手姿辨識所造成的
影響，需要找一個方法來做亮度補償的工作，最簡
單的方式是直接調高亮度偏暗的手姿影像，但是這
樣的方式會使得原本影像中偏亮的部分，產生過亮
的情況。因此，採用直方圖等化法[8] (histogram
equalization)，藉由整張圖全域性的強度資訊來計算
轉移函數，再用轉移函數計算出適當的強度分配，
最後的結果就是整張圖的像素都擁有同樣的強度。
2.3.2 背景相減[9, 10]
以影像處理的方法偵測移動物件主要有兩種
方法:(1) 連續影像相減[11-13] （ Temporal
differencing）、(2)背景相減法[14-16]（Background
subtraction）。
連續影像相減（Temporal differencing）原理是
利用再時間上連續的影像做一對一的像素相減，若
是兩者差異為零，就表示此像素不屬於移動物件像
素，反之，則此像素為移動物件像素。此法對於環
境的改變適應性佳，但是偵測出的移動物件常常會
發生內部破碎的情形，如此一來，移動物件的形狀
較不完整，對於後續的移動物件追蹤與辨識將無法
提供完整的資訊。
背景相減法（Background subtraction）不會有
物件內部破碎的問題，原因是背景相減法會先建立
一背景模型，再將新影像與此背景模型作一對一的
像素亮度值相減，藉此偵測出移動物件像素，最後
偵測出完整的物件形狀。
上述兩種方法，又以背景相減法（Background
subtraction）是目前較受歡迎的方法，主因除了可以
擷取出移動物件的完整形狀，對雜訊也有相對較好
的容忍度，也可以減輕移動物件造成的陰影所產生
的影響。
本系統先從環境中擷取一張背景Iback 為基底，
之後每次擷取的影像Inow 再與基底Iback 做比較，擷
取出變動的區域，如下式所示：
I=255, if (abs(Inow - Iback) < 10)
I=0, else
其中數值255 為灰階之白色，數值0 為黑色；
數值10 為參考之閥值(Threshold)。圖(7a)與圖(7b)
分別為背景與背景相減法所得的結果。
圖7a，背景 圖7b，背景相減的結果
2.3.3 人臉辨識[17]
我們使用Haar-feature[18]為辨識特徵，再運用
AdaBoosting[19]演算法，先將輸入圖像切割為許多
小區塊，分辨每一個小區塊是否屬於人臉，再用
update weighting 的方式讓辨識率趨於準確，我們直
接採用OpenCV(Open Computer Vision Library)[2]
已經建立好的Cascade 分類器，將有人臉的部分標
示出來。圖(8)即為AdaBoost 偵測器處理流程[19]。
人臉標示以後，主要作為隱性的背景相減，其
作用在於排除包含人臉所在位置的上下區域，方便
於下一階段進行膚色偵測後即可聚焦在手部區域
之型態學處理。圖(9a)顯示臉部偵測之結果，圖(9b)
說明經由臉部偵測後，並排除包含人臉所在位置的
上下區域。
圖8. AdaBoost 偵測器
圖9a.臉部偵測 圖9b.排除人臉的上下區域
2.3.4 邊緣檢測
邊緣檢測是圖像處理和計算機視覺中的基本
問題，邊緣檢測的目的是標識圖像中亮度變化明顯
的點。圖像屬性中的顯著變化通常反映了屬性的重
要事件和變化。這些包括（i）深度上的不連續、（ii）
表面方向不連續、（iii）物質屬性變化和（iv）場景
照明變化。邊緣檢測是圖像處理和計算機視覺中，
尤其是特徵提取中的一個研究領域。
Canny[20]演算法是目前最常用的方法，而
Canny 的偵測方式還有兩個閥值必須決定[21]，配
合著這兩個閥值便可以解決上述的邊緣偵測的問
題，第一個門檻值的作用為，當一段邊緣受雜訊影
響的時候，會產生出波峰，因此如果將所有波峰所
在位置當成是邊緣的話，將會產生出誤判的情形，
所以第一個門檻值便是用來過濾這種情形，當某一
波峰的值大於此門檻值時才是真正的邊，其餘的波
峰則當成是雜訊。而第二個閥值則是要解決當一條
邊緣受雜訊影響，可能被斷成好幾斷的情形，解決
方式為一種遞回的做法，對影像中的每一點觀察其
8 方向的鄰點，看是否有邊的點存在，如果有且大
於這個門檻值，那麼此鄰點可能是跟此點是屬於條
一條線段，因此就將此鄰點加入同一條線段之中，
之後不斷的對影像中的每一點作同一偵測和判
斷，如此即可將影像中被截斷的線連接起來。
根據以上的介紹 Canny 的邊緣偵測具有以下
三個優點：
1. 良好的偵測：將所有具有灰階變化的邊線找
出，且不具有假邊界點存在。
2. 良好的定位：使得被偵測出的邊界位置能夠
貼近真實的邊界位置，距離越小表示定位越準確。
3. 良好的反應值：邊緣上的點都有唯一的反應
值，所以偵測出來的線段沒有過粗的問題。
2.3.5 形態學處理之閉合與斷開運算[22, 23]
閉合與斷開運算是通過對侵蝕和膨脹的另一
種不同次序的執行而得到的，閉合運算是先膨脹後
侵蝕的過程，其功能是用來填充物體內細小空洞，
同時不明顯改變其面積。先侵蝕後膨脹的過程就稱
為斷開運算。
本研究對上述經由臉部偵測後，並排除包含人
臉所在位置的上下區域如圖(10a)。進行邊緣偵測後
的影像做閉合運算，消除影像破損的小洞，再對運
算之後的影像做斷開運算，去除雜訊。經過閉合及
斷開運算之後，則能擷取出較為完整的手部區域，
如圖(10b)所示。
圖10a.臉部偵測與處理.圖10b. 閉合與斷開運算
圖10c.膚色偵測與膨脹.圖10d.手姿圖辨識結果
2.3.6 膚色偵測[24]
本研究使用HSV 色彩空間來作為膚色偵測的
參考色彩空間，HSV 利用色度（Hue）、飽和度
（Saturation）、亮度（Value）來區分膚色及非膚色
區域，相較於YCbCr [25]色彩空間對於各種人種膚
色偵測上有較準確的偵測結果，然而HSV 的轉換
上並不是像YCbCr 是線性轉換，HSV 轉換比較消
耗運算時間。HSV 轉換後的膚色偵測參考值範圍
為：0<H<20，30<S<150，80<V<255。本研究使用
膚色偵測後的結果進行10 次膨脹處理後所得到的
影像如圖(10c)，用來輔助清除因邊緣偵測所產生的
其他非膚色產生的邊緣。
2.3.7 輪廓搜尋與切割出手姿圖
經由上述邊緣偵測與閉合運算之後的影像，再
與膚色偵測後進行之膨脹之影像進行合併處理，去
除非膚色之邊緣線段；然後進行輪廓搜尋嘗試找出
最大之邊緣輪廓，並藉以去除其他較小型的輪廓線
條以除去手形中分支的線段，而獲得較為乾淨的輪
廓曲線；最後進行最大輪廓的邊框範圍取得，值得
注意的是本研究主要是針對手指的圖形有興趣而
不包含手掌以及手臂部份，最簡單也最有效的方式
即是以人臉偵測到的臉長為手姿高度參考範圍，藉
以截取相關範圍進行最後的手指數辨識，如圖(10d)
所示。
2.3.8 手指數辨識
圖(10d)，對於最後所得到的手姿圖進行手指數
的辨識方法，首先以掃描線方式進行畫面掃描，獲
得手形邊緣的點數統計量，然後利用眾數方法來進
行判讀。眾數是指一組數據中出現次數最多的數
據。適合於數據量較多時使用，其特色在於不受極
端數據的影響，並且求法簡便。當數值或被觀察者
沒有明顯次序（常發生於非數值性資料）時特別有
用，由於可能無法良好定義算術平均數和中位數。
在高斯分佈中，眾數位於峰值。
在計算眾數時，首先初始一個max 的矩陣來放
置交叉點數值1~9 的個數，在某個y 軸所得到的交
叉點數量先放進temp 整數內，並且將max[temp]
這個位置的數值加一，代表將此交叉點數值的個數
加一，掃描完指定範圍後，會得到一個max 矩陣，
記綠著交叉點數值1~9 的個數。
以變數num 代表眾數，large_num 代表眾數的
數量，掃描max 矩陣1~9，進行swap 的動作，若
從矩陣取出內交叉點的個數大於暫存的眾數，將眾
數設為此交叉點數量，並將此眾數的數量存入
large_num 內，即可得到眾數以及其出現的數量。
2.3.9 控制類手姿辨識
本研究以樣板比對為基礎之方法 (Template
matching methods)進行控制類手姿辨識，因為此類
手姿具有較高度鮮明的特徵，因此以樣板比對的成
功率相對提高而且運算效率也有很好的表演。如同
上述方式切割出欲辨識的範圍(ROI)進行縮小處
理，再與事先已經準備好的控制類樣板圖形比對，
根據回傳的機率值大於0.85 即可認定為相似之圖
像。
3. 數位評量系統設計
根據中小學授課現場流程分析，制定出評量系
統各項的功能，系統架構圖如圖(11)所示，茲詳述
如下
(1)登入系統：使用者登入輸入帳號密碼，系統
透過web service 與縣市網或相關單位進行網路身
份驗證，驗證成功後登入系統，登入程序始在確保
個人資料安全。
(2)公告系統：管理者公告系統最新動態與活動
相關消息。
(3)題庫系統：提供完整的試題新增、刪減、管
理介面，讓命題者及題庫管理者進行試題編擬。而
每個試題均有領域、試題章節和難易度…等試題屬
性，當作將來對於試卷編輯與題庫維護當作參考的
依據。
(4)出題系統：提供教師快速搜尋所需試題，以
及容易操作的試卷編輯功能，由系統協助出題機制
趨近自動化。
(5)測驗系統：提供教師建立測驗活動，測驗階
段記錄受試者活動，測驗試卷將隨機改變試題或選
項出現順序，以加強測驗公平性。與傳統的測驗方
式相較之下，能夠提升測驗的效率。
(6)討論區：教師與學生可在此發表文章進行討
論互動。
(7)測驗回饋系統：
本系統以單元課程為發展的架構，主要著重在
於回饋分析，依據學生多次參與線上驗，記錄學生
學習的過程。在受試者學生每次完成測驗後，系統
分析受試者該次測驗表現並且記錄下來。這些測驗
分析的結果在多次累積下可作為對題庫的回饋。根
據分析的結果，依適當的方式來判斷該試題選項是
否具有良好誘答力，來找出適用性低的試題，讓命
題者或是題庫管理者有效率的進行試題維護修正
的工作。除此之外，測驗分析的結果也可以給予學
生在學習上的建議，讓教師參考作為改善或加強該
所測驗範圍的教學方式與內容。
4. 評估與應用
本系統為能適應使用者以攝影機傳回手姿影
像表現答案的互動狀態，以下說明自我練習使用流
程：
5.1 製作試卷:
(1)輸入考卷名稱、選擇考試類型、課程範圍選
擇；(2)設定難易度、題數配分；(3)確認。
5.2 建立評量
(1)選擇評量類型；(2)選擇試卷、設定配分比率
及格分數；(3)設定評量時間、時間限制、補考設定。
5.3 挑戰練習
(1)開始測驗：如圖(12)(13)(14)(15)所示分別為
登入，選擇測驗或設定，進入測驗與開始測驗；
(2)若結果為不及格，依補考設定，可再考；
登入畫面中以年級、班級、座號所組合而成的
學生唯一碼為登入帳號及生日4 碼為登入密碼。
畫面主選單中分別為(a)進入測驗→選擇科目
→選擇試卷→開始測驗；(b)機器設定：web cam 測
試、手姿校正…等。
5. 結論
本研究提供了一種新型態的人機互動介面，結
合電腦視覺互動技術及數位導覽之概念，發展出手
姿互動導覽系統，提升使用者直覺性的操作環境和
電腦之應用範圍，本文的結論如下：
1. 將手姿互動系統運用於櫥窗展示或是相關
戶外互動設計，將能改善目前單向的資訊傳達模
式，而朝向互動式資訊傳達模式邁進，以增加資訊
互動性。
2. 新型態的互動方式將能打破電腦的傳統應
用領域，以更生活化之操控方式期望達成無形的運
算(invisible computing)之概念，將電腦帶入人的生
活，讓使用者感覺不到電腦的存在。
圖11. 系統功能架構圖
圖12.登入畫面 圖13.主選單畫面
圖14.進入測驗圖 圖15.開始測驗
3. 電腦視覺技術雖然有著比傳統互動裝置更
有彈性之互動模式，但是仍有環境光線干擾及辨識
率之問題，期待能導入更新之辨識技術以提升互動
效果為最終目標。
本研究的數位評量系統是以專家學者對線上
評量的建議為準則，同時結合題庫與學習者成就分
析，建立評量回饋系統，協助老師評估學生學習狀
況，調整教學內容與進度，並提供學生學習後的反
思，以增進其學習的成效並獲致有意義的學習。
對於學生而言，透過本數位評量系統競賽活動
的推廣，由於本系統也提供試題的詳解與相關知識
連結，讓學生從活動中不僅獲取知識，也經歷簡意
的手姿評量系統增進學習樂趣，並藉由線上學習補
救系統，適時提供的回饋建議，修正自己的學習概
念，並增進自我學習的效益。更重要的是，本數位
評量系統因搭配簡單的攝影功能，讓家長與學生共
同參與學習測驗的過程，分享測驗後成果，提供親
子寓教於樂的互動環境。
台灣學術網路(TANet)是使用者最多的網路，網
路上提供的學習服務也非常多樣，經由本研究手姿
辨識融入評量系統的建置，期待能提供線上評量系
統新的參考架構。
參考文獻
[1] 林守仁, 蔡瑜珍, and 陳瑞樂, "以IPv6 為網路
基礎之中小學共同評量系統," in TANET 2009 台灣
網際網路研討會暨全球IPv6 高峰會議, 彰化市,台
灣, 2009.
[2] G. Bradski and A. Kaehler, Learning OpenCV:
Computer vision with the OpenCV library: O'Reilly
Media, 2008.
[3] J. K. Johnstone, "Rectification as five finger
exercise," Journal of Computing Sciences in Colleges,
vol. 23, p. 103, 2007.
[4] 黃俊捷, "互動雙足式機器人之設計與實現 (I)
手勢辨識 ", 2008.
[5] A. K. Jain, Fundamentals of digital image
processing: Prentice-Hall, Inc. Upper Saddle River, NJ,
USA, 1989.
[6] A. Rosenfeld, "Image analysis and computer
vision: 1999," Computer Vision and Image
Understanding, vol. 78, pp. 222-302, 2000.
[7] S. E. Umbaugh, Computer Imaging: digital
image analysis and processing: CRC Press, 2005.
[8] R. A. Hummel, "Histogram modification
techniques*," Computer Graphics and Image
Processing, vol. 4, pp. 209-224, 1975.
[9] K. Kim, T. H. Chalidabhongse, D. Harwood,
and L. Davis, "Background modeling and subtraction
by codebook construction," 2004, pp. 3061-3064.
[10] Y. Kyongil, "Background Subtraction
Enhancement using Segmentation," in Software
Engineering, Artificial Intelligence, Networking, and
Parallel/Distributed Computing, 2008. SNPD '08.
Ninth ACIS International Conference on, 2008, pp.
535-540.
[11] A. J. Lipton, H. Fujiyoshi, and R. S. Patil,
"Moving target classification and tracking from
real-time video," 1998, p. 3.
[12] G. Tesauro, "Practical issues in temporal
difference learning," Machine learning, vol. 8, pp.
257-277, 1992.
[13] G. Tesauro, "Temporal difference learning and
TD-Gammon," Communications of the ACM, vol. 38,
pp. 58-68, 1995.
[14] A. Elgammal, D. Harwood, and L. Davis,
"Non-parametric model for background subtraction,"
Computer Vision—ECCV 2000, pp. 751-767, 2000.
[15] T. Horprasert, D. Harwood, and L. S. Davis, "A
statistical approach for real-time robust background
subtraction and shadow detection," 1999.
[16] M. Piccardi, "Background subtraction
techniques: a review," 2004, pp. 3099-3104.
[17] C. P. Papageorgiou, M. Oren, and T. Poggio, "A
general framework for object detection," 1998.
[18] R. Lienhart and J. Maydt, "An extended set of
haar-like features for rapid object detection," 2002, pp.
900–903.
[19] P. Viola and M. Jones, "Rapid object detection
using a boosted cascade of simple features," 2001.
[20] T. Lindeberg, "Edge detection and ridge
detection with automatic scale selection," 1996, p.
465.
[21] 張博棣, "自動延伸技巧之未知結構重建與影
像補全 Automatic Extending Technique for
Unknown Structure Reconstruction and Image
Completion," 2008.
[22] R. C. Gonzalez and E. Richard, "Woods, digital
image processing," Beijlng: Publishing House of
Electronics Industry, pp. 420-450, 2005.
[23] M. Jankowski, "Erosion, dilation and related
operators."
[24] J. Kovac, P. Peer, and F. Solina, "Human skin
color clustering for face detection," 2003, pp.
1441-148.
[25] C. F. Juang, C. M. Chang, J. R. Wu, and D. Lee,
"Computer vision-based human body segmentation
and posture estimation," IEEE Transactions on
Systems, Man and Cybernetics, Part A, vol. 39, pp.
nutnr.lib.nutn.edu.tw/bitstream/987654321/8951/1/1299.pdf
檔案類型: PDF/Adobe Acrobat - 快速檢視由 林守仁 著作 - 2010
種不同次序的執行而得到的，閉合運算是先膨脹後. 侵蝕的過程，其 ... 的影像做閉合
No comments:
Post a Comment