基于空域和局部紋理加權(quán)的陰影檢測與去除方法

鄭 穎，趙 娟，肖 宿

（淮北師范大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，安徽 淮北 235000）

基于空域和局部紋理加權(quán)的陰影檢測與去除方法

鄭 穎，趙 娟，肖 宿

（淮北師范大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，安徽 淮北 235000）

為解決傳統(tǒng)智能交通系統(tǒng)中由于陰影檢測算法的不精確性導(dǎo)致錯誤提取交通參數(shù)的問題，提出一種基于空域和局部紋理加權(quán)的陰影檢測與去除方法，通過分析陰影產(chǎn)生的原因和陰影的特點，綜合利用陰影的交叉熵特征和鄰域光度特性去除陰影.實驗表明，該方法陰影檢測的有效率在81.3%以上，并且能很好地滿足實時場景要求，為后續(xù)交通參數(shù)的提取等工作奠定良好的基礎(chǔ).

背景差分；光度特性；交叉熵；陰影去除

0 引言

運動目標(biāo)的檢測是智能交通系統(tǒng)研究中的一個主要內(nèi)容，它是運動目標(biāo)跟蹤、識別以及交通參數(shù)提取的前提和基礎(chǔ)，精確的目標(biāo)檢測有利于更好地開發(fā)智能交通系統(tǒng).在運動目標(biāo)的檢測方法中，陰影常伴隨運動目標(biāo)，同時被檢測出來，由此會產(chǎn)生一系列的問題，例如運動目標(biāo)合并和運動目標(biāo)的不完全檢測，相鄰的目標(biāo)也可能因為陰影導(dǎo)致漏檢，這些問題會影響后續(xù)車輛的跟蹤和識別.

目前基于視頻的運動目標(biāo)的陰影檢測法研究大致分為兩類：其中一類是基于陰影屬性的檢測方法［1-4］，另外一類是基于陰影模型的檢測方法［5］.其中基于陰影屬性的檢測方法使用光照強度、顏色、紋理、特征點等特征及特征組合來檢測陰影，基于模型的方法需要復(fù)雜場景、運動目標(biāo)及光照的先驗知識等來建立模型，運算時間復(fù)雜度特別大，這種方法比較適合單一場景下的單一目標(biāo)的陰影檢測.通過比較發(fā)現(xiàn)基于屬性的陰影檢測方法是最穩(wěn)定的算法.

Cucchiara等［2-3］使用HSV顏色空間來檢測及消除陰影，該算法時間復(fù)雜度較小，但對于灰色路面陰影去除效果較差.Kumar等［5］在多個顏色空間中比較檢測結(jié)果，實驗效果表明YCrCb顏色空間是最有效地去除陰影的顏色空間，但運算量比較大，并且對于深顏色的車輛陰影去除效果較差.Leone等［4］提出基于紋理的陰影消除方法，該算法提取陰影的紋理特征，并結(jié)合陰影的光度特性去除陰影，該算法能有效地去除陰影但其運算量比較大.為解決深顏色車輛的陰影去除并降低運算量，本文提出在檢測出陰影方向的基礎(chǔ)上，使用傳統(tǒng)的光度特性和交叉熵特征去除陰影，從鄰域思想考察像素點的光度特性來初步定位陰影區(qū)域，并根據(jù)陰影方向求出初定位陰影區(qū)域中各像素的距離權(quán)值，最后用距離對交叉熵特征進(jìn)行加權(quán)從而去除陰影的方法.同時，基于三星SDZ-310P 30X光學(xué)變焦鏡頭、MV-88000采集卡建立室內(nèi)實驗環(huán)境，并在VC++6.0開發(fā)環(huán)境中進(jìn)行監(jiān)控軟件的開發(fā)與算法實驗.

1 陰影檢測與去除

1.1 定位陰影方向

像素分為暗像素和亮像素兩類，暗像素和亮像素的分類是基于像素亮度特征的，如果RGB三個顏色通道的亮度值都大于等于對應(yīng)的背景像素值，則該像素被認(rèn)為是亮像素，否則被認(rèn)為暗像素.我們把檢測出來的運動目標(biāo)在重心處劃分成4個相互重疊的部分，分別為上部，下部，左部和右部，使用u,d,l和r來表示每一個方向上的暗像素數(shù)量，定義N=(u+d+r+l)/4，其中m和n為{u,d,l,r}中最大的兩個，8個方向{0,?1,?2,?...,?7}定義如圖1所示，a和b是m和n的對應(yīng)方向值，考慮陰影會同時出現(xiàn)的區(qū)域，令A(yù)=(a+b)/2，B=| |

a-b，那么陰影方向o按下面的定義確定：

圖1 陰影方向分類

1.2 檢測陰影區(qū)域

陰影區(qū)域的檢測是在陰影方向定位的基礎(chǔ)之上，根據(jù)陰影形成及其光譜屬性來初步檢測陰影區(qū)域.文獻(xiàn)［7］將當(dāng)前圖像幀像素點的灰度值與背景圖像幀相對應(yīng)像素點的灰度值進(jìn)行相比，根據(jù)比值的范圍來確定陰影區(qū)域，因為只考慮了單個像素點，且閾值固定，所以該方法會造成一定程度的漏檢和錯檢，本文對其方法加以改進(jìn)，從鄰域思想出發(fā)，并通過直方圖確定自適應(yīng)閾值.

實現(xiàn)步驟為：

1）計算像素點與其8-鄰域內(nèi)像素點灰度值的平均值，有：

圖2 淺色車輛陰影候選區(qū)域

圖3深色車輛陰影候選區(qū)域

1.3 加權(quán)交叉熵特征陰影去除

由圖2d可以看出上述陰影去除方法能夠很好地去除陰影區(qū)域，但美中不足的是存在過去除現(xiàn)象，為進(jìn)一步精確去除陰影，考慮交叉熵能夠處理兩個事件的相似程度，故本文引用其作為陰影區(qū)域和背景區(qū)域相似程度的度量.首先介紹交叉熵：

考慮陰影和背景的紋理相似特性，在初步定位的陰影區(qū)域中根據(jù)紋理特征去除陰影.設(shè)視頻大小為M*N，令B(x,y)為背景圖像亮度，I(x,y)為當(dāng)前幀圖像中初定位陰影區(qū)域的亮度，定義以點(x,y)為中心，(2l+1)*(2l+1)的模板Tx,y(m,n)=I(x+m,y+n)，其中-l≤m≤l,-l≤n≤l.當(dāng)前幀圖像上點(x,y)與對應(yīng)背景點的亮度的交叉熵定義為：

考慮運動目標(biāo)產(chǎn)生陰影的原理可知某一像素點為陰影像素點的可能性與其距離中心點的距離有關(guān)，如圖4所示，因此本文利用此距離對交叉熵特征進(jìn)行加權(quán)，

其中(Xc,Yc)為檢測目標(biāo)的最大外接矩形的中心點.S(x,y)值越小表示當(dāng)前像素點與對應(yīng)背景幀像素點的紋理特征越相似，則點(x,y)是陰影像素點的概率越大，設(shè)定閾值TH，若S(x,y)

圖4 權(quán)值意義示意圖

2 實驗結(jié)果分析

本實驗在VC平臺上編程實現(xiàn)，所用PC機配置為Pentium D 2.8 GHz，1 GB內(nèi)存，選取兩段高速公路陰影檢測視頻，采用文獻(xiàn)［7］中提出的陰影檢測率η和陰影識別率ε對該算法的性能來進(jìn)行定量的評估，定義如下：

其中，下標(biāo)S表示陰影像素，F(xiàn)表示前景像素，TPS表示正確檢測出的陰影像素點的數(shù)量，F(xiàn)NS表示把陰影像素錯誤檢測為前景像素點的數(shù)量，TPF表示被檢測為前景像素的數(shù)量和被錯誤檢測為陰影像素點數(shù)量的差值，F(xiàn)NF表示前景像素點被錯誤檢測為陰影像素點的數(shù)量.表1給出了針對相同的5個經(jīng)典視頻，不同方法的算法性能比較，通過比較可以看出，相比文獻(xiàn)［5］給出的4種檢測方法（統(tǒng)計無參數(shù)方法SNP，統(tǒng)計帶參數(shù)方法SP，確定性不基于模型的方DNM1，和確定性不基于模型的方法DNM2），本文結(jié)合光度特性和交叉熵的方法通用性更強，檢測精度也有一定程度的提升.

表1 實驗結(jié)果對比分析 %

為了定性的評價算法效果，本文選取陰影去除檢測效果的2段經(jīng)典視頻和作者自己錄制的1段視頻，如圖5所示，實驗效果表明，本文所提出的陰影去除方法能夠準(zhǔn)確地去除陰影，精確分割出運動目標(biāo)，為進(jìn)一步提取交通參數(shù)奠定了良好的基礎(chǔ).

圖5 實驗結(jié)果比較圖

3 結(jié)論

本文提出一種基于鄰域光度特性和加權(quán)交叉熵特征的陰影去除方法，該算法利用陰影的方向、鄰域光度特性及加權(quán)交叉熵特征確定陰影區(qū)域并進(jìn)行精確去除，實驗結(jié)果表明，本算法魯棒性強，時間復(fù)雜度低，且事先不需要知道光源方向，具有很好的實際應(yīng)用價值.

［1］CUCCHIARA R，GRANA C，NERI G，et al.The Sakbot system for moving object detection and tracking［C］//Video Based Surveillance Systems-Computer Vision and Distributed Processing.Boston：Kluwer，2005：145-157.

［2］CUCCHIARA R，GRANA C，PICCARDI M，et al.Improving shadow suppression in moving object detection with HSV col?or information［C］//2007 IEEE Intelligent Transportation Systems Conference Proceedings.Oakland：IEEE，2001：334-339.

［3］KUMAR P，SENGUPTA K，LEE A，et al.A comparative study of different color spaces for foreground and shadow detec?tion for traffic monitoring system［C］//Proceedings of the IEEE 5th International Conference on Intelligent Transportation Systems.Washington，DC：IEEE，2002：100-105.

［4］LEONE A，DISTANTE C.Shadow detection for moving objects based on texture analysis［J］.Pattern Recognition，2007，40（4）：1222-1233.

［5］PRATI A，MIKIC I，TRIVEDI M，et al.Detecting moving shadows：Algorithms and evaluation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（7）：918-923.

［6］付萍，方帥，徐心和，等.視頻監(jiān)控系統(tǒng)中運動目標(biāo)檢測的陰影去除方法［J］.計算機工程，2007，33（10）：22-24.

［7］WANG J M，CHUNG Y C，CHANG C L，et al.Shadow detection and removal for traffic images［J］.IEEE Inter 2 National Conference on Net Working，Sensing and Control，2008，649-654.

Shadow Detection and Removal Method Based on Spatial Domain and Invariant Texture Weighted

ZHENG Ying，ZHAO Juan，XIAO Su
（School of Computer Science and Technology,Huaibei Normal University，235000，Huaibei Anhui，China）

In order to solve the difficulties of extracting the wrong traffic parameters caused by the inaccuracy of shadow detection methods in traditional intelligence traffic system，a method of shadow detection and re?moval is proposed based on spatial domain and invariant texture weighted.After analyzing the causes and the characteristics of the shadow，the shadows can be eliminated by using the region photometric properties and cross-entropy.Experiments on different scenes suggest that effective detection rate of the proposed meth?od is over 81.3 percent，which can satisfy the requirement of real-time processing and set a good foundation for extracting traffic parameters.

background subtraction；photometric properties；cross-entropy；shadow removal

TP 391.4

A

2095-0691（2013）04-0067-05

2013-07-13

安徽省優(yōu)秀青年人才基金項目資助（2011SQRL073）；淮北師范大學(xué)青年基金項目資助（2009xqx45）

鄭 穎（1982- ），女，安徽淮北人，講師，主要研究方向：模式識別與圖像處理.