基于倒頻譜和局部灰度梯度算子的陰影檢測方法

鄭 穎，肖 宿，周 影

（淮北師范大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽 淮北 235000）

基于倒頻譜和局部灰度梯度算子的陰影檢測方法

鄭 穎，肖 宿，周 影

（淮北師范大學(xué) 計(jì)算機(jī)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精確性導(dǎo)致錯(cuò)誤提取交通參數(shù)的問題，提出一種基于倒頻譜和局部灰度梯度算子的陰影檢測方法.首先判斷陰影的存在性，接著利用Lab顏色空間L通道的倒頻譜分析方法確定候選陰影區(qū)域塊，最后利用局部灰度梯度算子的紋理特性獲得精確的陰影區(qū)域.實(shí)驗(yàn)表明，該方法陰影檢測的有效率在85.3%以上，且能很好地滿足實(shí)時(shí)場景要求，為后續(xù)交通參數(shù)的提取工作奠定了良好的基礎(chǔ).

倒頻譜；局部灰度梯度；方向余弦

0 引言

運(yùn)動(dòng)目標(biāo)的檢測技術(shù)是視頻監(jiān)控中的一個(gè)主要內(nèi)容，精確的目標(biāo)檢測有利于后續(xù)的跟蹤和識別.由于光線的遮擋，陰影往往伴隨運(yùn)動(dòng)目標(biāo)被檢測出來，在一些環(huán)境中可能會產(chǎn)生一些有用的信息，比如運(yùn)動(dòng)目標(biāo)相對光源的位置，但是也會帶來一些導(dǎo)致目標(biāo)分割、目標(biāo)識別及目標(biāo)計(jì)數(shù)錯(cuò)誤的問題.

一般來說，陰影分為兩類，一類是由于目標(biāo)未被光線直射形成的自身陰影，另一類是由于目標(biāo)遮擋光線造成的投射陰影，自身陰影作為運(yùn)動(dòng)目標(biāo)的一部分對檢測影響不大，而投射陰影是影響運(yùn)動(dòng)目標(biāo)檢測精確性的主要因素.因此本文主要研究投射陰影的檢測去除問題.

文獻(xiàn)［1］使用顏色空間HSV中的飽和度和亮度分量在陰影區(qū)域與背景區(qū)域的不同來檢測及消除陰影，時(shí)間復(fù)雜度比較小，但只適用于淺色運(yùn)動(dòng)目標(biāo)陰影的檢測與去除.文獻(xiàn)［2］利用RGB顏色空間的亮度失真來檢測陰影，用線性變換擬合陰影區(qū)域和背景區(qū)域的顏色改變情況，采用貝葉斯概率來區(qū)分目標(biāo)和陰影，這種算法也是基于陰影不會改變背景區(qū)域顏色信息的假設(shè)，難以在實(shí)時(shí)系統(tǒng)中應(yīng)用.由于陰影所覆蓋的區(qū)域和對應(yīng)的背景區(qū)域的紋理信息不隨光照而改變，文獻(xiàn)［3］利用Gabor函數(shù)分解系數(shù)描述紋理，此方法運(yùn)算量大，需幾百毫秒，不能滿足實(shí)時(shí)要求.文獻(xiàn)［4］考慮陰影區(qū)域和對應(yīng)的背景區(qū)域的線性關(guān)系，使用歸一化互相關(guān)函數(shù)檢測與去除陰影，此方法對于邊緣檢測效果不佳.

為解決深顏色車輛的陰影去除并降低運(yùn)算量，本文提出一種基于倒頻譜分析和局部梯度算子的陰影檢測方法.首先通過算法判斷陰影是否存在，為下一步是否使用陰影檢測方法做出判斷.其次基于區(qū)域塊的Lab顏色空間L通道的倒頻譜特性確定候選陰影塊，最后對候選陰影塊的每一個(gè)像素利用局部梯度算子紋理特性獲得陰影區(qū)域和背景區(qū)域的優(yōu)化分割.

1 陰影檢測與去除

1.1 陰影存在性判斷

利用所存儲的每一幀圖像的拍攝時(shí)間及視頻幀的錄制時(shí)間可以判斷是否晚上或雨天，若是則排除陰

影存在的可能性，否則我們利用亮度估計(jì)算法［5］來判斷陰影存在與否.

為了節(jié)約時(shí)間使用前景圖像代替整幅圖像，前景圖像可根據(jù)背景差分獲得.在陰影存在性判斷算法中使用兩個(gè)準(zhǔn)則：能量值E（Eb，Ed分別表示亮像素和暗像素的能量值）和暗像素區(qū)域的相對大小Pd.當(dāng)場景清晰可見的時(shí)候被認(rèn)為是高亮度，比如陽光燦爛.換種說法，當(dāng)運(yùn)動(dòng)目標(biāo)很難被識別時(shí)認(rèn)為低亮度，比如晚上或雨天、霧天.由于目標(biāo)常常比陰影亮度高，使用能量值E表示目標(biāo)可見度及場景亮度水平.因此，Eb越大，陰影存在可能性越大.

基于圖像亮度信息，我們把像素分為兩類，分別為暗像素和亮像素，如果RGB顏色空間的三個(gè)通道的亮度值均大于對應(yīng)的背景區(qū)域像素值，那么該像素被認(rèn)為是亮像素，否則為暗像素.Sb,Sd分別表示亮像素和暗像素的集合，

定義能量值為：

其中，nj表示Sj集合中的像素?cái)?shù)目，ei是像素的能量值.定義為：

其中Ii，Ij，Ni和n分別表示亮度值，鄰域亮度值，鄰域值和鄰域內(nèi)總像素?cái)?shù).另外一個(gè)準(zhǔn)則使用圖像中暗像素?cái)?shù)和亮像素?cái)?shù)的比值Pd.

其中，nb,nd分別表示前景區(qū)域亮暗像素?cái)?shù).通過分析，Eb的值小表示亮度低，Pd的值小表示場景中陰影區(qū)域小.因此，當(dāng)Eb很小時(shí)表示無陰影，即使Eb值比較大，也不能斷定存在陰影，但是當(dāng)Eb和Pd的值同時(shí)比較大時(shí)，認(rèn)定存在陰影，否則不存在陰影.

1.2 區(qū)域級陰影去除

陰影并不改變原始背景區(qū)域的紋理分布.目前所采集的圖像大多數(shù)都是基于RGB顏色空間的，但是RGB顏色空間各個(gè)分量間計(jì)算量大、相關(guān)性高、冗余信息較多.由于Lab顏色空間到RGB顏色空間的轉(zhuǎn)換是線性的，且Lab顏色空間中亮度分量L和a通道（綠色到紅色的色相），b通道（藍(lán)色到黃色的色相）是相互獨(dú)立的，本文選擇在Lab顏色空間的L通道上結(jié)合倒頻譜來獲得候選陰影區(qū)域塊.

倒頻譜，就是對功率譜的對數(shù)值進(jìn)行傅立葉逆變換，將復(fù)雜的卷積關(guān)系變?yōu)楹唵蔚木€性疊加，從而在其倒頻譜上可以較容易地識別信號的頻率組成分量，便于提取所關(guān)心的頻率成分，同時(shí)具有較高的抗噪比和抗旋轉(zhuǎn)特性.

把信號x的倒頻譜定義為：

其中，F(xiàn){?}表示離散傅里葉變換，|?|表示幅度，ln表示自然對數(shù)，F(xiàn)-1{?}表示離散傅里葉逆變換.

考慮算法的精度和增加陰影像素的識別率，把前景圖像劃分成N*N的子塊，塊的大小影響算法的精度和識別率.綜合實(shí)驗(yàn)得出，把前景劃分成N=8的子塊是最優(yōu)的.把前景區(qū)域在Lab空間的L通道上劃分成若干個(gè)8*8的像素塊，第i個(gè)8*8的塊定義成，對應(yīng)的背景像素塊為

則第i塊的倒頻譜為：

其中F2D{?}為二維離散傅里葉變換，為二維離散傅里葉逆變換.

陰影是運(yùn)動(dòng)目標(biāo)在背景區(qū)域上投射的影子，只會降低其整體亮度信息，不會改變其紋理信息.若該塊為陰影塊，則應(yīng)具備性質(zhì)：

其中?為小于1的正實(shí)數(shù)，差分矩陣的性質(zhì)應(yīng)該為一個(gè)變比矩陣，僅（1，1）索引位置有值，其余均為0，定義距離

因此候選陰影塊的決策方法為：

1.3 像素級精確陰影去除

陰影保留背景的紋理特征，而目標(biāo)較大程度地改變背景的紋理特征.經(jīng)研究發(fā)現(xiàn)，局部灰度梯度可以很好地描述紋理信息，因此通過分析比較侯選陰影塊和對應(yīng)背景區(qū)域的梯度可以檢測出精確的陰影區(qū)域.

本文使用改進(jìn)的方向梯度作為紋理特征來檢測陰影像素點(diǎn).使用的方向梯度算子為4個(gè)方向r的Sobel算子.使用的方向梯度算子如圖1所示.

圖1 方向梯度算子

實(shí)現(xiàn)步驟為：

（1）對于候選陰影塊的每一個(gè)像素，從水平、垂直、對角和負(fù)對角4個(gè)方向求梯度，計(jì)算每個(gè)像素的梯度

（2）計(jì)算對應(yīng)背景點(diǎn)的4個(gè)方向梯度，表示成向量：

（3）引入夾角余弦來度量紋理的差異.

H的取值為［-1，1］，夾角余弦越大表示陰影區(qū)域和背景紋理相似度越高，夾角余弦越小表示陰影區(qū)域和背景紋理相似度越低，取一定的閾值即可獲得陰影區(qū)域.

2 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)使用matlab進(jìn)行仿真實(shí)驗(yàn) ，所用PC機(jī)配置為Intel Core I5處理器，2 GB內(nèi)存，實(shí)驗(yàn)視頻為Highway I，Highway II，和作者自拍的視頻，采用文獻(xiàn)［6］中提出的陰影識別率ε和陰影檢測率η對該算法的性能進(jìn)行評估，定義如下：

其中，下標(biāo)S表示陰影像素點(diǎn)，下標(biāo)F表示前景像素點(diǎn)，TPS表示檢測出的正確陰影像素點(diǎn)的數(shù)量，F(xiàn)NS表示錯(cuò)誤檢測陰影像素點(diǎn)的數(shù)量，TPF表示被錯(cuò)誤檢測為陰影像素點(diǎn)的數(shù)量和被檢測為背景像素點(diǎn)數(shù)量的差值，F(xiàn)NF表示被錯(cuò)誤檢測為陰影像素點(diǎn)的前景像素點(diǎn)數(shù)量.表1給出本文提出的算法和其它算法在標(biāo)準(zhǔn)測試集［6］上的比較.

表1 經(jīng)典實(shí)驗(yàn)結(jié)果對比 %

為了定性的評價(jià)算法效果，本文選取了2段經(jīng)典高速視頻和1段作者自拍的視頻進(jìn)行分析，如圖2-4所示.實(shí)驗(yàn)表明，本文所提出的陰影檢測與去除方法能夠準(zhǔn)確的檢測陰影區(qū)域，精確分割出運(yùn)動(dòng)目標(biāo).為后續(xù)的跟蹤與識別打下良好的基礎(chǔ).

圖2 存在遮擋的情況

圖3 多個(gè)車輛陰影情況

圖4 單車輛陰影檢測

3 結(jié)論

本文提出一種基于倒頻譜分析方法和局部灰度梯度算子的陰影檢測方法，首先通過算法判斷陰影是否存在，為下一步是否使用陰影檢測方法做出判斷.其次基于區(qū)域塊的Lab顏色空間L通道的倒頻譜特性確定候選陰影塊，最后對于候選陰影塊的每一個(gè)像素灰度梯度算子的紋理特性獲得陰影區(qū)域和背景區(qū)域的優(yōu)化分割.結(jié)果表明，本算法魯棒性強(qiáng)，時(shí)間復(fù)雜度低，具有很好的實(shí)際應(yīng)用價(jià)值.

［1］董蓉，李勃，陳啟美.路況視頻中HSV彩色不變量陰影檢測法研究與改進(jìn)［J］.中國圖象圖形學(xué)報(bào)，2009，14（12）：2483-2488.

［2］李晗，武奇生.結(jié)合顏色相關(guān)性和紋理差異的陰影檢測方法［J］.計(jì)算機(jī)工程，2011，37（15）：146-148.

［3］CHEN W，WANG F.Moving shadow detection in video surveillance based on multi-feature analysis［D］.CMSP，2012，346: 224-231.

［4］RUI Q，SHENG G，ZHEN L.Moving cast shadow removal based on local descriptors［C］∥2010 International Conference on Pattern Recognition,2011:1377-1380.

［5］WANG J M，CHUNG Y C，CHANG C L，et al.Shadow detection and removal for traffic images［C］∥Proceedings of the 2004 IEEE International Conference on Networking，Sensing and Control，Piscataway，United States，2004，1：649-654.

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

Shadow Dectection Based on Cepstrum and Local Gray Gradient Operator

ZHENG Ying，XIAO Su，ZHOU Ying
（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 accuracy of shadow detecting methods in traditional intelligence traffic system，a method of shadow detection is pro?posed based on cepstrum and local gray gradient operator.Firstly，decide whether there are shadows present in an image.Secondly，cepstrum analysis of the intensity characteristics of Lab color space is used to obtain the shadow blocks.Finally，gray gradient operator is used to decide if the pixel is a shadow pixel or object pix?el.Experiments on different scenes suggest that effective detection rate of proposed method is over 85.3 per?cent，and can satisfy the requirement of real-time processing，and set a good foundation for the extracting of traffic parameters.

cepstrum；local gradient operator；direction cosine

TP 391.4

A

2095-0691（2015）04-0020-05

2015-03-12

安徽省高校自然科學(xué)研究一般項(xiàng)目（KJ2014B24）；淮北師范大學(xué)校級青年項(xiàng)目（2012xq31）

鄭 穎（1982- ），女，安徽宿州人，碩士，講師，主要研究方向：模式識別與圖像處理.