基于多點(diǎn)對(duì)參考模型的車(chē)輛陰影消除*

戚其豐 吳忻生 鄧軍

(1.華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院，廣東廣州510640;2.華南理工大學(xué)精密電子制造裝備教育部工程研究中心，廣東廣州510640)

在車(chē)輛監(jiān)控、安防監(jiān)控、自主導(dǎo)航、人體跟蹤和三維物體辨識(shí)等機(jī)器視覺(jué)應(yīng)用中，運(yùn)動(dòng)對(duì)象的分割是一個(gè)非常重要的問(wèn)題.但是在真實(shí)環(huán)境下，目前主流的運(yùn)動(dòng)對(duì)象分割算法較難消除運(yùn)動(dòng)陰影對(duì)于分割的影響.比如在車(chē)輛監(jiān)控系統(tǒng)中，由于陰影的影響，即使運(yùn)用車(chē)輛的大小和形狀信息作為限制條件，還是會(huì)將運(yùn)動(dòng)的陰影誤分割為車(chē)輛.所以一個(gè)有效的陰影消除方法對(duì)于視頻監(jiān)控系統(tǒng)和圖像處理系統(tǒng)都具有重要的意義.

陰影是由環(huán)境中光照條件的變化引起的，一般根據(jù)其是否運(yùn)動(dòng)可分為固定的陰影(如路邊的綠化帶投射到路面的陰影)和運(yùn)動(dòng)的陰影(如行駛中的車(chē)輛在路面的投影).固定的陰影可以通過(guò)背景更新消除［1-6］，而運(yùn)動(dòng)的陰影難以通過(guò)背景更新消除，因?yàn)檐?chē)和運(yùn)動(dòng)陰影具有相同的運(yùn)動(dòng)特征.本質(zhì)上，消除陰影就需要找到能夠描述陰影的特征.運(yùn)動(dòng)陰影的消除方法一般是從特征信息或特征模型這兩方面著手，可分為幾何模型法、顏色模型法和統(tǒng)計(jì)模型法.幾何模型法是以攝像機(jī)、環(huán)境和對(duì)象的相對(duì)幾何關(guān)系來(lái)分割運(yùn)動(dòng)陰影.Hsieh等［7-8］提出了基于直方圖的方法，將視頻圖像中的道路進(jìn)行分割，運(yùn)用基于線(xiàn)模式的陰影模型消除車(chē)輛的陰影.Yoneyama等［9］提出了二維車(chē)輛/陰影模型來(lái)去除陰影.基于幾何模型的陰影分割方法非常依賴(lài)對(duì)象和環(huán)境的幾何關(guān)系，當(dāng)幾何關(guān)系改變時(shí)，這些方法隨之失效.顏色模型法試圖通過(guò)陰影點(diǎn)的顏色改變找到光照不變的顏色特征［10-11］.Salvador等［12］提出了歸一化的 RGB 顏色空間，并結(jié)合陰影的幾何屬性分割視頻中的陰影.Siala等［13］采用對(duì)角線(xiàn)模型，在RGB顏色空間中描述陰影的顏色畸變，并且基于顏色比率運(yùn)用支持向量域描述算法檢測(cè)運(yùn)動(dòng)陰影.Nadimi等［14］引入了一種物理方法在室外環(huán)境中檢測(cè)運(yùn)動(dòng)陰影.統(tǒng)計(jì)模型法則運(yùn)用統(tǒng)計(jì)理論概率的方法進(jìn)行陰影的分割［15］.Wang等［16］利用背景和陰影的邊界信息建立了自適應(yīng)更新的高斯分布模型，通過(guò)貝葉斯理論分割陰影點(diǎn).文獻(xiàn)［17］提出辨識(shí)陰影的分布模型算法，建立了混合高斯模型來(lái)檢測(cè)陰影.Mikic等［18］運(yùn)用最大后驗(yàn)概率的方法，將像素點(diǎn)區(qū)分為陰影、前景和背景，結(jié)合空間約束和顏色信息提高分割的準(zhǔn)確率.

以上方法在某些特定情況下非常有效，但存在一定的局限性.如幾何模型法非常依賴(lài)于幾何關(guān)系，如果場(chǎng)景發(fā)生變化，幾何關(guān)系隨之改變.統(tǒng)計(jì)模型法的計(jì)算量很大.顏色模型法在一般情況下是有效的，要提高這類(lèi)方法的準(zhǔn)確性必須進(jìn)行相應(yīng)的改進(jìn).文中引入文獻(xiàn)［10］提出的前景對(duì)象、背景和陰影間顏色的關(guān)系，以背景相減［19］為基礎(chǔ)，通過(guò)離線(xiàn)訓(xùn)練多點(diǎn)對(duì)參考模型(MPPR)［20］，在 HSL色彩空間中運(yùn)用圖像全局域上的信息建立多點(diǎn)對(duì)參考模型，來(lái)對(duì)車(chē)輛陰影進(jìn)行消除.

1 陰影消除算法

在視頻圖像中直接背景相減是最為有效的前景分割方法.這種方法雖然不能將前景對(duì)象準(zhǔn)確地分割，但是計(jì)算量小(只是對(duì)像素值進(jìn)行加減)，運(yùn)算速度快，能夠去除絕大部分背景像素，提取出感興趣區(qū)域.文中采用選擇性背景更新方法［19］對(duì)視頻圖像進(jìn)行預(yù)處理，提取感興趣區(qū)域得到的粗分割圖如圖1(b)所示.再對(duì)粗分割圖進(jìn)一步進(jìn)行細(xì)分割，就是文中的重點(diǎn)——運(yùn)動(dòng)陰影的消除.

圖1 用文獻(xiàn)［19］的方法處理圖像的結(jié)果Fig.1 Image processing results using the method proposed in Reference［19］

文中方法利用HSL顏色空間中前景對(duì)象、背景和陰影之間的屬性［10］進(jìn)行運(yùn)動(dòng)陰影的消除.前景對(duì)象一般與背景和陰影的色度差異較大，而陰影與背景路面的色度差異小，陰影的亮度肯定比該點(diǎn)背景路面的小.利用該屬性對(duì)陰影進(jìn)行分割，需要準(zhǔn)確地獲得當(dāng)前點(diǎn)P對(duì)應(yīng)的背景路面點(diǎn)B.對(duì)此，文中運(yùn)用多點(diǎn)對(duì)參考模型進(jìn)行處理，其基本思想是，雖然不能直接獲取當(dāng)前點(diǎn)P對(duì)應(yīng)的準(zhǔn)確背景點(diǎn)B，但是可在整張圖像中尋找到N個(gè)與B點(diǎn)形成穩(wěn)定關(guān)系的參考點(diǎn)Q來(lái)代替.為尋找這些參考點(diǎn)，可以建立一個(gè)各種光照環(huán)境下的背景圖像集，通過(guò)離線(xiàn)訓(xùn)練的方法，為整張圖像所有像素點(diǎn)建立一個(gè)穩(wěn)定的不受環(huán)境變化影響的參考點(diǎn)集.參考點(diǎn)Q的選擇原則為:當(dāng)前點(diǎn)P與其對(duì)應(yīng)的參考點(diǎn)Q在HSL色彩空間中的顏色向量空間距離最小.建立參考點(diǎn)集后，再利用HSL顏色空間中前景點(diǎn)、背景點(diǎn)和陰影點(diǎn)之間的相互關(guān)系，區(qū)分當(dāng)前點(diǎn)P是前景還是陰影.圖2為完整的車(chē)輛陰影消除算法的流程，其中點(diǎn)線(xiàn)框表示多點(diǎn)對(duì)參考模型的離線(xiàn)訓(xùn)練過(guò)程，虛線(xiàn)框和實(shí)線(xiàn)框?yàn)樵诰€(xiàn)陰影消除過(guò)程.實(shí)線(xiàn)框中的在線(xiàn)陰影去除過(guò)程用文獻(xiàn)［19］的方法完成.文中提出的陰影消除方法是在文獻(xiàn)［20］提出的MPPR的基礎(chǔ)上建立的，進(jìn)行了如下3點(diǎn)的改進(jìn):(1)文獻(xiàn)［20］中的MPPR是基于灰度圖建立的，只能作為單純的背景消除方法，而文中通過(guò)引入HSL空間中前景、陰影和背景之間的顏色關(guān)系，不但可以消除背景而且還能消除陰影;(2)運(yùn)用圖4中的道路模板離線(xiàn)訓(xùn)練多點(diǎn)對(duì)參考模型，剔除了不必要的點(diǎn)對(duì)搜索，提高了離線(xiàn)訓(xùn)練的效率;(3)引入文獻(xiàn)［19］中的感興趣區(qū)域提取方法，極大地減少了在線(xiàn)分割點(diǎn)的數(shù)量，提高了在線(xiàn)分割方法的效率.下面將詳述多點(diǎn)對(duì)參考模型的建立及陰影消除算法.

圖2 車(chē)輛陰影消除算法的流程圖Fig.2 Fowchart of vehicle shadow elimination algorithm

1.1 點(diǎn)對(duì)模型

在HSL空間中，給定圖像I，其大小為U×V，點(diǎn)P(x，y)為目標(biāo)點(diǎn)，點(diǎn)Q(i，j)為參考點(diǎn)，P(x，y)，Q(i，j)∈I(U×V)且x≠i，y≠j.若P(x，y)和Q(i，j)存在比較穩(wěn)定的關(guān)系，則認(rèn)為Q(i，j)是P(x，y)的穩(wěn)定參考點(diǎn)，這兩個(gè)點(diǎn)形成一個(gè)點(diǎn)對(duì).為了使這些點(diǎn)對(duì)能夠得到各種環(huán)境下的穩(wěn)定關(guān)系，必須在給定的訓(xùn)練圖像集Ξ={I1，I2，…，IT}中獲取一個(gè)參考點(diǎn)對(duì)集.文中將每一個(gè)目標(biāo)點(diǎn)P在集Ξ中找到的N個(gè)穩(wěn)定參考點(diǎn)Qn(n=1，2，…，N)構(gòu)成一個(gè)參考點(diǎn)集，這一過(guò)程就是對(duì)該點(diǎn)建立多點(diǎn)對(duì)參考模型.

在HSL顏色空間，多點(diǎn)對(duì)參考模型中目標(biāo)點(diǎn)與其參考點(diǎn)必須滿(mǎn)足色度差異最小，而亮度差異必須小于給定閾值wg，如式(1)所示.

式中，H(*)和L(*)分別表示像素點(diǎn)的色度和亮度，eg是一個(gè)較小的常數(shù).

運(yùn)用式(1)選擇參考點(diǎn)時(shí)必須注意如下3個(gè)問(wèn)題:(1)閾值wg的選擇直接影響MPPR模型對(duì)噪聲的抗干擾能力，必須要適當(dāng);(2)Qn必須滿(mǎn)足一定的統(tǒng)計(jì)學(xué)要求，在絕大部分訓(xùn)練圖片中必須比目標(biāo)點(diǎn)P的亮度差異大于wg個(gè)單位;(3)從圖像的開(kāi)始點(diǎn)一直到邊界每一個(gè)目標(biāo)點(diǎn)都必須從多個(gè)方向搜索參考點(diǎn)，在多數(shù)圖像中，如果目標(biāo)點(diǎn)與參考點(diǎn)的色度差異小于eg，0≤L(P(x，y)) －L(Qn(i，j))≤wg時(shí)定義MPPR(P，Qn)=1，－wg≤L(P(x，y)) －L(Qn(i，j)) ＜0時(shí)定義MPPR(P，Qn)=－1.所有目標(biāo)點(diǎn)對(duì)應(yīng)的參考點(diǎn)組成了正負(fù)兩個(gè)符號(hào)集.

1.2 點(diǎn)對(duì)模型的屬性分析

在式(1)中給定了點(diǎn)對(duì)的選擇要求，但并未限制參考點(diǎn)的位置，即參考點(diǎn)不一定要在目標(biāo)點(diǎn)的鄰域范圍內(nèi)，可在圖像的全局域中選擇滿(mǎn)足式(1)的參考點(diǎn).這解決了如下問(wèn)題:大多數(shù)圖像處理過(guò)程中，空間約束只限定在目標(biāo)點(diǎn)的鄰域范圍內(nèi)，只運(yùn)用了局部的空間約束關(guān)系，致使分割不夠準(zhǔn)確.文中方法把這種空間約束擴(kuò)展到圖像全局域，使其非常適合監(jiān)控系統(tǒng)中的對(duì)象分割，例如，在車(chē)輛監(jiān)控系統(tǒng)中，運(yùn)動(dòng)陰影中的目標(biāo)點(diǎn)可以通過(guò)參考未被車(chē)輛或陰影遮擋的路面中的參考點(diǎn)進(jìn)行比對(duì)分割.

單個(gè)目標(biāo)點(diǎn)P如果與其候選參考點(diǎn)Qn的色度差異小于eg，那么Qn就具備成為P的背景參考點(diǎn)的資格.如果P與Qn的亮度差異小于wg，則認(rèn)為Qn是P的參考點(diǎn).即在任何圖像中，即使是在光照發(fā)生變化的環(huán)境下，MPPR(P，Qn)符號(hào)相同的概率都非常高.換言之，如果MPPR(P，Qn)的差異符號(hào)沒(méi)有改變，表明圖像中沒(méi)有檢測(cè)到前景運(yùn)動(dòng)物體，點(diǎn)P是背景像素點(diǎn);如果MPPR(P，Qn)的差異符號(hào)發(fā)生了變化，則點(diǎn)P為陰影像素點(diǎn).

1.3 多點(diǎn)對(duì)參考模型的建立

MPPR模型的建立主要是確定參考點(diǎn)和目標(biāo)點(diǎn)的亮度差異閾值wg，因?yàn)檫@個(gè)差異直接影響MPPR模型對(duì)于噪聲的魯棒性.如果目標(biāo)點(diǎn)與參考點(diǎn)的亮度差異過(guò)小，則MPPR模型對(duì)于噪聲過(guò)于敏感;反之，差異過(guò)大，MPPR模型就會(huì)遲鈍.所以這個(gè)模型既不能過(guò)于敏感又不能遲鈍.

MPPR模型的建立分4大部分:

1)搜索候選索引點(diǎn).假設(shè)給定點(diǎn)滿(mǎn)足式(1)則為候選參考點(diǎn).給定M(M＞N)個(gè)候選參考點(diǎn)QM(1≤n≤M).此時(shí)正的候選參考點(diǎn)集Ω+(P)和負(fù)的候選參考點(diǎn)集Ω－(P)分別定義如下:

在式(3)和(4)中，閾值wp(0.5＜wp＜1.0)為點(diǎn)對(duì)在給定圖像集中的最小比例，概率(P，Q)和表示從圖像中估計(jì)得到的滿(mǎn)足灰度要求的點(diǎn)對(duì)的數(shù)量，定義如下:Φ表示滿(mǎn)足函數(shù)f(x)的x的總數(shù)，Lt(*)為在第t幀訓(xùn)練圖像中點(diǎn)的亮度，T表示訓(xùn)練圖像的總數(shù).

2)計(jì)算亮度均值.目標(biāo)點(diǎn)的亮度均值定義為其中P∈Γ，Γ為點(diǎn)P的鄰域.每一個(gè)候選參考點(diǎn)Qm的亮度均值都必須滿(mǎn)足Qm∈Ω+(P)或Qm∈Ω－(P).

3)搜索參考點(diǎn).如果Q1、Q2為兩個(gè)點(diǎn)的采樣像素點(diǎn)，當(dāng)且僅當(dāng)

時(shí)定義Q1＜Q2.按照這樣的大小關(guān)系存儲(chǔ)到Ω+(P)或者Ω－(P)這兩個(gè)候選參考點(diǎn)集中.對(duì)于每個(gè)給定的目標(biāo)點(diǎn)P∈Γ，文中都能給出正負(fù)參考點(diǎn)集 ref+(P)和 ref－(P)∈Γ，其中

ref+(P):={在集Ω+(P)中均勻分布于整個(gè)

ref－(P):={在集Ω－(P)中均勻分布于整個(gè)

且 ref+(P)∪ref－(P)=ref(P).

4)創(chuàng)建MPPR模型.記錄P與Qn之間灰度差異的符號(hào)為

整個(gè)標(biāo)準(zhǔn)的建模過(guò)程可由算法1的偽代碼表述.通過(guò)算法的離線(xiàn)訓(xùn)練可以得到MPPR模型，具體步驟如下.

Input:T幀訓(xùn)練圖片(圖片幀由It表示);閾值eg、wg、wp.

Output:目標(biāo)點(diǎn)P的正負(fù)參考點(diǎn)集ref+、ref－.

for每一個(gè)目標(biāo)點(diǎn)Pdo

初始化ref+(P)←?;ref－(P)←?;

由式(3)、(4)分別搜索候選參考點(diǎn)集Ω+(P)和Ω－(P);

分別計(jì)算目標(biāo)點(diǎn)與候選參考點(diǎn)集Ω+(P)和Ω－(P)每一個(gè)元素的均值亮度差異:

按照式(7)對(duì)Ω+(P)和Ω－(P)進(jìn)行排序.

選擇候選參考點(diǎn)集中均勻分布于路面的參考點(diǎn)建立ref+和 ref－;end

return ref+，ref－.

圖3所示是一個(gè)目標(biāo)點(diǎn)P對(duì)應(yīng)的參考點(diǎn)的確切分布的例子，其中選擇N=16.

圖3 目標(biāo)點(diǎn)P對(duì)應(yīng)的16個(gè)參考點(diǎn)Fig.3 Sixteen reference points corresponding to target point P

1.4 陰影分割

前景分割問(wèn)題可以轉(zhuǎn)化為二值分類(lèi)問(wèn)題.在運(yùn)用固定攝像頭的監(jiān)控系統(tǒng)中，可以通過(guò)對(duì)視頻圖像中的每一個(gè)像素分配不同的標(biāo)號(hào)實(shí)現(xiàn)前景對(duì)象的分割.文中算法的處理對(duì)象是由文獻(xiàn)［19］中的方法進(jìn)行處理后得到的感興趣區(qū)域，如圖1(b)所示.在每個(gè)感興趣區(qū)域中可能存在車(chē)輛、路面及運(yùn)動(dòng)陰影.在給定時(shí)刻t，圖像It中包含k個(gè)感興趣區(qū)域塊的集合{Ψ1(It)，Ψ2(It)，…，Ψk(It)}，只要對(duì)每一個(gè)Ψi(It)中的每一個(gè)像素進(jìn)行標(biāo)號(hào)的分配，就完成了前景對(duì)象的分割.文中提出的分割算法具體如下:

1)以給定的Ψi(It)中的每一個(gè)像素作為目標(biāo)點(diǎn)，在當(dāng)前幀中按照ref+、ref－找到其參考點(diǎn)的像素值.按照式(2)，判斷該像素點(diǎn)是否為前景對(duì)象(車(chē)輛).如果滿(mǎn)足式(2)，則認(rèn)為該像素點(diǎn)為前景.

2)對(duì)在感興趣區(qū)域塊Ψi(It)中未通過(guò)步驟1)的目標(biāo)點(diǎn)P及其參考點(diǎn)Qn(Qn∈ref+(P)或ref－(P))，比較它們之間的亮度大小得到符號(hào)集:

然后通過(guò)對(duì)比X(P，Qn)和MPPR(P，Qn)中的符號(hào)，可以得到正確點(diǎn)對(duì)數(shù)量的概率:

給定閾值wh，通過(guò)式(12)、(13)計(jì)算得到正的正確點(diǎn)對(duì)數(shù)量的概率σ+(P)和負(fù)的正確點(diǎn)對(duì)數(shù)量的概率σ－(P)，若分別滿(mǎn)足σ+(P) ＞wh，σ－(P) ＞wh，則認(rèn)為該目標(biāo)點(diǎn)滿(mǎn)足設(shè)定的雙邊置信準(zhǔn)則且該點(diǎn)分割為背景點(diǎn).

3)由前面兩個(gè)步驟，在塊Ψi(It)中分割出了前景和未分割完全的背景，剩余的目標(biāo)點(diǎn)則為需要去除的運(yùn)動(dòng)陰影.

分割算法中需要注意一個(gè)問(wèn)題:在參考點(diǎn)集中，有一些點(diǎn)被前景或者是陰影遮擋，如果還用這些參考點(diǎn)進(jìn)行分割，對(duì)分割結(jié)果的影響會(huì)很大.文中的解決方法是利用圖1(b)中的粗分割圖為模板對(duì)參考點(diǎn)集進(jìn)行濾波.如果參考點(diǎn)對(duì)應(yīng)的模板位置為0，則保留該參考點(diǎn);反之，如果對(duì)應(yīng)位置為255，則去除該參考點(diǎn).這種方法對(duì)于分割的準(zhǔn)確性影響不大，因?yàn)槲闹械姆椒ㄊ侵瘘c(diǎn)進(jìn)行分割，即使有些分離點(diǎn)被誤分割，也不會(huì)影響前景對(duì)象的完整性.詳細(xì)的分割算法如下.

Input:感興趣塊集{Ψ1(It)，Ψ2(It)，…，Ψk(It)};閾值wh;正負(fù)參考點(diǎn)集 ref+、ref－;

MPPR模型.

Output:前景對(duì)象.

for Ψi(It)中每個(gè)目標(biāo)點(diǎn)Pdo

初始化:正確率σ+(P)=0，σ－(P)=0;參考點(diǎn)濾波模板

if目標(biāo)點(diǎn)與其參考點(diǎn)滿(mǎn)足式(7)和(8)

then點(diǎn)P為前景點(diǎn)

else

通過(guò)式(12)和(13)計(jì)算σ+(P)和σ－(P)

Ifσ+(P)＞wh且σ－(P)＞wh

then點(diǎn)P為背景

else

點(diǎn)P為陰影點(diǎn)

在塊Ψi(It)中去除陰影點(diǎn)和背景點(diǎn)得到前景對(duì)象return

1.5 文中方法的性能分析

文中方法通過(guò)離線(xiàn)訓(xùn)練與在線(xiàn)分割相結(jié)合的方式去除運(yùn)動(dòng)陰影的影響.多點(diǎn)對(duì)參考模型的建立運(yùn)用了離線(xiàn)訓(xùn)練的方法，這種方法不會(huì)占用在線(xiàn)分割的時(shí)間，且增加的計(jì)算量不會(huì)影響整個(gè)方法的分割速度.文中方法的在線(xiàn)分割部分只進(jìn)行了符號(hào)集的比較就可以分割出陰影，大幅度提高了方法的運(yùn)行速度.光照環(huán)境變化時(shí)，單點(diǎn)的亮度值會(huì)發(fā)生很大的變化;文中方法則利用了目標(biāo)點(diǎn)與參考點(diǎn)之間的亮度差異，這種差異對(duì)于光照變化有極強(qiáng)的魯棒性.所以只要MPPR模型訓(xùn)練完成，在線(xiàn)分割時(shí)，在大多數(shù)光照環(huán)境下，都能保證分割的準(zhǔn)確性.在室外環(huán)境下，鏡頭發(fā)生輕微的晃動(dòng)或者背景圖像包含運(yùn)動(dòng)的背景對(duì)象(如搖動(dòng)的樹(shù)葉)，會(huì)使前景對(duì)象的分割產(chǎn)生較大的誤差.文中方法運(yùn)用了點(diǎn)對(duì)模型，即使參考點(diǎn)正好在運(yùn)動(dòng)背景對(duì)象上，對(duì)于分割也不會(huì)造成太大的影響.原因有兩個(gè):(1)由于像素點(diǎn)P與其鄰域所具有的屬性相近，所以即使發(fā)生比較小的位置偏差，像素點(diǎn)的性質(zhì)差異也不會(huì)太大;(2)由于方法中選擇的是參考點(diǎn)集，具有較高的容錯(cuò)性，即使個(gè)別參考點(diǎn)選擇有誤，其對(duì)最終分割結(jié)果的影響也很小.

文中方法的提速可分為離線(xiàn)部分的提速和在線(xiàn)部分的提速.離線(xiàn)訓(xùn)練提速是指:尋找參考點(diǎn)時(shí)不是對(duì)整張圖像進(jìn)行搜索，而是利用如圖4所示的道路模板，通過(guò)這一模板提取出如圖5所示的路面;這種方法極大地縮小了參考點(diǎn)的搜索區(qū)域，提高了離線(xiàn)訓(xùn)練方法的效率.在線(xiàn)分割提速是指:在圖1中通過(guò)文獻(xiàn)［19］中的背景相減方法，已經(jīng)去除了絕大部分的路面像素，粗分割得到了感興趣塊，所以在運(yùn)用MPPR模型對(duì)感興趣塊消除運(yùn)動(dòng)陰影時(shí)，必須處理的像素點(diǎn)已經(jīng)極大地減少了.

圖4 道路模板Fig.4 Road template

圖5 運(yùn)用圖4模板處理得到的路面圖Fig.5 Road images obtained by using the road template shown in Fig.4

2 實(shí)驗(yàn)結(jié)果

文中算法用C語(yǔ)言實(shí)現(xiàn)，在Pentium 2.6內(nèi)存為1GB的PC機(jī)上運(yùn)行.在離線(xiàn)訓(xùn)練和在線(xiàn)陰影消除過(guò)程中，通過(guò)對(duì)圖像庫(kù)Ξ的分析及實(shí)驗(yàn)調(diào)試，參數(shù)eg、wg、wp和wh分別設(shè)定為 5、18、0.89 和 0.32.用在4種典型的室外環(huán)境下采集的視頻圖像檢驗(yàn)算法，如圖6(a)所示，以左至右依次為高速公路1、鏡頭出現(xiàn)晃動(dòng)的高速公路、停車(chē)場(chǎng)入口和高速公路2.高速公路1圖像中具有非常強(qiáng)烈的運(yùn)動(dòng)陰影;鏡頭中出現(xiàn)晃動(dòng)的高速公路，可以測(cè)試文中方法對(duì)于運(yùn)動(dòng)背景的魯棒性;停車(chē)場(chǎng)入口是一種環(huán)境變化劇烈的特殊情況;高速公路2運(yùn)動(dòng)陰影比較小，但是車(chē)型比較復(fù)雜.在這4種環(huán)境下比較文中提出的方法與其它3種最新的陰影消除方法.3種最新的陰影消除方法分別為:(1)文獻(xiàn)［11］中提出的運(yùn)用比率邊界(RE)檢測(cè)運(yùn)動(dòng)陰影的方法;(2)Nicolas等［15］提出的混合高斯陰影模型(GMSM);(3)文獻(xiàn)［10］中提出的運(yùn)用色度、亮度和局部灰度比率構(gòu)建陰影檢測(cè)器的方法.結(jié)果如圖6所示.

圖6 不同方法的陰影檢測(cè)結(jié)果Fig.6 Shadow detection results obtained by different methods

由圖6可知，GMSM方法易把前景對(duì)象誤分割為背景，將陰影誤分割為前景.特別是圖6(b)所示GMSM對(duì)停車(chē)場(chǎng)入口的檢測(cè)結(jié)果，車(chē)輛很大區(qū)域被誤分割了，而且還留下了一塊比較大的陰影區(qū)域.RE方法和文獻(xiàn)［10］中方法的陰影消除總體效果比GMSM方法好，但是出現(xiàn)了將背景中晃動(dòng)背景誤分割為前景的情況，特別是RE方法對(duì)于高速公路2的檢測(cè).文中提出的方法在陰影的消除及克服運(yùn)動(dòng)背景的影響方面都具有較為優(yōu)異的性能;不管陰影的強(qiáng)烈與否，陰影消除的效果均較好;特別是對(duì)于環(huán)境光照劇烈變化的情況，如圖6中的停車(chē)場(chǎng)入口，能夠準(zhǔn)確地消除運(yùn)動(dòng)陰影的影響，且盡可能少地將前景對(duì)象誤分割為背景.

3 結(jié)語(yǔ)

文中提出了基于MPPR模型的陰影消除方法，通過(guò)利用點(diǎn)對(duì)模型建立點(diǎn)對(duì)的穩(wěn)定關(guān)系，充分利用圖像的全局信息，克服了背景像素值的不準(zhǔn)確，對(duì)于復(fù)雜環(huán)境下的運(yùn)動(dòng)陰影消除具有較好的效果.文中方法能夠有效地抑制運(yùn)動(dòng)背景或晃動(dòng)鏡頭對(duì)前景分割的影響;通過(guò)離線(xiàn)學(xué)習(xí)建立MPPR模型和與在線(xiàn)消除運(yùn)動(dòng)陰影方法的結(jié)合，既不會(huì)增加陰影消除步驟的計(jì)算量，又能極大地提高陰影消除能力;通過(guò)引入背景模板減小了離線(xiàn)和在線(xiàn)過(guò)程的計(jì)算量，提高了效率.綜上所述，文中方法對(duì)于復(fù)雜環(huán)境下的光照變化、運(yùn)動(dòng)背景和運(yùn)動(dòng)陰影具有較強(qiáng)的抑制作用.文中方法雖然能夠消除運(yùn)動(dòng)陰影，但未解決車(chē)輛遮擋的分割問(wèn)題.在出現(xiàn)遮擋的環(huán)境下準(zhǔn)確地分割出車(chē)輛仍是一個(gè)有挑戰(zhàn)性的問(wèn)題.同時(shí)，進(jìn)一步優(yōu)化算法提高效率，將算法移植到嵌入式平臺(tái)并測(cè)定其實(shí)時(shí)性，也將是下一步研究的主要內(nèi)容.

［1］Kilger M.A shadow handler in a video based real time traffic monitoring system［C］∥IEEE Workshop Applications of Computer Vision.Palm Spring:IEEE，1992:11-18.

［2］Koller D，Weber J，Huang T，et al.Towards robust automatic traffic scene analysis in real-time［C］∥Proceedings of International Conference on Pattern Recognition.Lake Buena Vista:IEEE，1994:126-131.

［3］Gupte S，Masoud O，Martin R F K，et al.Detection and classification of vehicles［J］.IEEE Transactions on Intelligent Transportation Systems，2002，3(1):37-47.

［4］Wren C，Azarbayejani A，Darrell T，et al.Pfinder:realtime tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7):780-785.

［5］Stauffer C，Grimson W E L.Adaptive background mixture model for real-time tracking［C］∥Proceedings of IEEE Conference on Vision and Pattern Collins，Computer Recognition.Fort Collins:IEEE，1999:246-252.

［6］Stauffer C，Grimson W E L.Learning patterns activity using real time transactions pattern and machine tracking［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):747-757.

［7］Hsieh J W，Yu S H，Chen Y S，et al.A shadow elimination method for vehicle analysis［C］∥Proceedings of the 17th International Conference on Pattern Recognition.Cambridge:［s.n.］，2004:372-375.

［8］Hsieh J W，Yu S H，Chen Y S，et al.Automatic traffic surveillance system for vehicle tracking and classification［J］.IEEE Transactions on Intelligent Transportation Systems，2006，7(2):175-187.

［9］Yoneyama A，Yeh C H，Kuo C C.Robust vehicle and traffic information extraction for highway surveillance［J］.EURASIP Journal on Applied Signal Processing，2005，2005(14):2305-2321.

［10］Choi J M，Yoo Y J，Choi J Y.Adaptive estimator for removing shadow of moving object［J］.Computer Vision and Image Understanding，2010，114(9):1017-1029.

［11］Zhang W，F(xiàn)ang X Z，Yang X K，et al.Moving cast shadows detection using ratio edge［J］.IEEE Transactions on Multimedia，2007，9(6):1202-1214.

［12］Salvador E，Cavallaro A，Ebrahimi T.Cast shadow segmentation using invariant color features［J］.Computer Vision and Image Understanding，2004，95(2):238-259.

［13］Siala K，Chakchouk M，Chaieb F，et al.Moving shadow detection with support vector domain description in the color ratios space［C］∥Proceedings of the 17th International Conference on Pattern Recognition.Cambridge:［s.n.］，2004:384-387.

［14］Nadimi S，Bhanu B.Physical models for moving shadow and object detection in video［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26(8):1079-1087.

［15］Nicolas M B，Andre Z.Learning and removing cast shadows through a multidistribution approach ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(7):1133-1146.

［16］Wang Y，Tan T，Loe K F.A probabilistic method for foreground and shadow segmentation［C］∥International Conferenceon ImageProcessing.Barcelona:IEEE，2003:937-940.

［17］Nicolas M B，Andre Z.Moving cast shadow detection from a Gaussian mixture shadow model［C］∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego:IEEE，2005:643-648.

［18］Mikic I，Cosman P，Kogut G，et al.Moving shadow and object detection in traffic scenes［C］∥International Conference on Pattern Recognition，2000.Barcelona:IEEE，2000:321-324.

［19］吳忻生，鄧軍，戚其豐.基于最優(yōu)閾值和隨機(jī)標(biāo)號(hào)法的多車(chē)輛分割［J］.公路交通科技，2011，28(3):125-132.Wu Xin-sheng，Deng Jun，Qi Qi-feng.Multi-vehicle segmentation based on optimal threshold and random labeling［J］.Journal of Highway and Transportation Research and Development，2011，28(3):125-132.

［20］Zhao X Y，Satoh Y，Takauji H，et al.Object detection based on a robust and accurate statistical multi-pointpair model［J］.Pattern Recognition，2011，44(6):1296-1311.