單邊側陰影特征的車輛陰影去除

網絡出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20150326.1020.009.html

單邊側陰影特征的車輛陰影去除

丁愛玲，楊康，齊懷超，肖飛

(長安大學 信息工程學院，陜西 西安 710064)

摘要：在基于視頻的車輛檢測問題中，車輛陰影會造成車輛提取誤差，影響系統(tǒng)可靠性，針對該問題，提出了一種基于車輛陰影像素灰度分布特征的陰影去除方法。結合陰影產生的原理，首先分別從4個方向對前景區(qū)間進行投影，獲得投射陰影的像素分布曲線。再采集陰影曲線上的像素點，計算其分布特征，其中分布于概率區(qū)間范圍的即為陰影部分，從而去除陰影。實驗結果表明，該方法能夠快速、準確地去除圖像中的車輛投射陰影。

關鍵詞：車輛檢測；背景差分；閾值分割；陰影去除

DOI:10.3969/j.issn.1673-4785.201310020

中圖分類號：TP391文獻標志碼：A

收稿日期：2013-10-11. 網絡出版日期：2015-03-26.

作者簡介：

中文引用格式：丁愛玲，楊康，齊懷超，等. 單邊側陰影特征的車輛陰影去除[J]. 智能系統(tǒng)學報， 2015, 10(2): 281-285.

英文引用格式：DING Ailing, YANG Kang, QI Huaichao, et al. Vehicle shadow removal based on the characteristics of the single side shadow[J]. CAAI Transactions on Intelligent Systems, 2015, 10(2): 281-285.

Vehicle shadow removal based on the

characteristics of the single side shadow

DING Ailing, YANG Kang, QI Huaichao, XIAO Fei

(School of Information Engineering, Chang’an University, Xi’an 710064, China)

Abstract：In vehicles detection problem of video images, the vehicle cannot be extracted correctly due to the existence of the shadow, which results in low reliability in intelligent transportation system. In this paper, a method is proposed to remove the vehicle shadow by using the pixel gray distribution features of shadow. According to the theory of shadow generation, the pixel distribution of shadows can be obtained by projecting the moving target from four directions. By using the pixel shadow curve, the distribution characteristics were calculated. Deriving the range of probability distribution is just the shadow part allows the shadow to be removed.. The experimental results showed that this method could remove vehicle cast shadows in the image quickly and accurately.

Keywords：vehicle detection; background subtraction; threshold selection; shadow removal

通信作者：齊懷超.E-mail：674892125@qq.com.

交通視頻檢測系統(tǒng)通過圖像分析的方式來獲取交通信息數據，它是智能交通系統(tǒng)(intelligent transportation systems，ITS)的重要組成部分。通過在道路上方架設攝像機或照相機作為傳感器，將路面交通圖像傳到交通信息視頻檢測系統(tǒng)，利用該系統(tǒng)來對圖像進行實時分析，并提取出車輛運行的交通信息數據，再通過一定的通信鏈路傳送給交通信息控制中心，從而實現對道路交通的管理控制。

在采集視頻圖像時，由于光照的影響，圖像中會產生許多陰影區(qū)間。根據陰影形成的位置可以將陰影劃分為2類：自身陰影和投射陰影。其中，投射陰影是影響車輛提取和定位的主要因素，也是陰影去除的對象。在車輛提取時，車輛的投射陰影經常會被誤認為是車輛的一部分，影響車輛定位和輪廓的確定，此外，陰影和其他車輛重疊，也會使系統(tǒng)把發(fā)生重疊的2個或多個車輛誤認為是一個整體，導致車輛計數錯誤，從而影響系統(tǒng)的可靠性。因此，在車輛目標提取前，陰影檢測與去除是一個非常重要的環(huán)節(jié)。

本文的主要工作是研究視頻車輛檢測中陰影特征提取和去除問題，給出了陰影去除算法實現過程和實驗結果，并對結果進行了分析和評價。

1常用的陰影去除方法

1.1幾何模型方法

這類算法思路是從空間角度建立陰影幾何模型，文獻[3-4]利用車輛和其投射陰影的二維分布模型來消除車輛陰影。根據車輛和陰影的位置關系可以確定多種陰影模型，通過匹配當前幀運動前景特征，利用其模型特征進行陰影消除。但是這類方法需要較為準確的模型，不同的場景需要不同的模型，所以只能在特定的場景中有效。

1.2色彩空間陰影檢測

基于色彩空間的投射陰影消除是目前最常用的陰影去除方法，T.Horpraser等[5]利用陰影的2個特性進行去除：1)陰影與背景在色度上相似；2)陰影像素亮度比背景暗。兩像素點的色彩矢量夾角越小，說明兩像素色度差別就越小。像素矢量的長度越短，則說明該像素的亮度越暗。經典的RGB空間中的陰影消除方法的計算如式(1)。

(1)

式中:pf(x,y)為當前幀圖像中坐標(x,y)處的色彩矢量，pb(x,y)為背景圖像色彩矢量，Tθ為素閾值，Tc為亮度閾值。滿足上述條件的像素點則可以認為是陰影點。由于含有大量的矢量計算，所以基于色彩空間的方法運算量非常大，算法實時性較差。

1.3紋理特征

基于紋理的陰影消去算法利用陰影區(qū)域紋理和背景區(qū)域的相關性，目標車輛的紋理和背景區(qū)域不相關，而且紋理特征受光照變化的影響。文獻[6]利用基于比值判決的LBP紋理法來區(qū)分運動車輛和陰影，提出了一種灰度域陰影消除方法，并通過啟發(fā)式準則進一步優(yōu)化檢測效果。文獻[7]利用Canny邊緣檢測算子、邊緣匹配和條件膨脹等多種技術，通過融合多幀的信息，檢測室內場景中物體的投射陰影。

1.4基于亮度的陰影特征

對于視頻中的一個像素點(x,y)，光照模型如式(2)所示：

(2)

式中：Sk(x,y)表示第k幀像素點(x,y)處的瞬時亮度；Ek(x,y)表示像素點(x,y)處單位面積接收的光強；ρk(x,y)表示像素點(x,y)處物體表面的反射率。在靜止攝像頭情況下，圖像中同一位置路面材質不變，即反射率ρk(x,y)不變，而車輛的遮擋會使路面像素點接收的光照強度變弱。設陰影像素點的亮度為Sf(x,y)，背景像素點的亮度為Sb(x,y)，它們之間的比值為Ck(x,y)，則計算公式如式(3)所示[8]：

(3)

通常Ck(x,y)的取值范圍為(1.2～1.5)，利用背景像素與陰影像素點的比例可以進行陰影的檢測。

這些陰影去除方法按照檢測所依據的信息可分為兩大類[1]：1)基于模型的方法；2)利用陰影特性的方法。基于陰影模型的方法[2]依賴先驗幾何模型，如目標的三維形狀和光照模型等。通過幾何模型，精確地計算出陰影的形狀和位置，從而實現陰影去除，但模型的建立十分復雜，因此實際中應用并不廣泛?；陉幱疤卣鞯姆椒ɡ藐幱暗念伾?、梯度或紋理特性來進行陰影去除，由于其算法實現簡單，且效率較高，因此本文采用基于特征的方法來完成陰影去除。

2陰影特征提取

本文利用單邊側陰影特征分布進行陰影消除。投射陰影可以按其灰度分布特征和空間分布特征進行特征提取，陰影的灰度分布特征是基于對視頻圖像中各個區(qū)域的像素分布特性的假設，而陰影的空間分布特征則是基于投射陰影產生的空間特性。

本部分操作分為：1)通過閾值分割法從差分圖像中提取出包括車輛和陰影在內的前景區(qū)域；2)通過對4種模型的分析對提取的前景區(qū)域進行陰影特征的提取。在背景差分圖像中，背景區(qū)域差分后的像素值較小且分布比較集中，在圖中呈現大片的黑色區(qū)間，呈現單調遞減的分布，而目標車輛區(qū)域和陰影區(qū)域的差分區(qū)間則呈現近似正態(tài)分布。如圖1。

圖1　背景差分圖像各區(qū)域像素分布 Fig.1　The pixel distribution of the background difference image

根據圖1中的分布特性，利用頻數法獲得最佳閾值Tb，采用閾值分割算法對差分圖像進行二值化處理，獲取差分圖像中前景區(qū)域，但是該前景區(qū)域不僅包含車輛，還有陰影部分，需要對它們進行處理。

投射陰影由車身遮擋光照引起，它們總是分布在車身的一側或兩側，這就是陰影的空間分布特性。文獻[3]中給出了投射陰影模型，如圖2所示。

圖2　陰影模型 Fig.2　Shadow model

圖2中，Ho為目標物體的高度，Ws為陰影的寬度，Ls為陰影的長度。根據目標在投射陰影在2-D平面內的位置，將陰影模型劃分成4種類型，如圖2(b)所示。本文根據交通場景的實際情況，分別建立了4類車輛陰影模型，如圖3所示。

圖3　目標模型及其4個類投射陰影 Fig.3　Target model and four kinds of cast shadows

圖3中正方體H方向的粗邊表示光源方向，灰色橢圓區(qū)域表示目標車輛產生的投射陰影。對圖3中的目標車輛和其陰影在2-D平面內進行4個方向的投影，以圖3中類型1為例，四邊界的投影邊界中，肯定有一條邊界是陰影邊界線，圖4中右邊界線就是陰影邊界線。

圖4　運動區(qū)域的單側投射陰影 Fig.4　Unilateral cast shadows

根據光照模型(式(2))，由于接收的光照減小，即Ek(x,y)會變小，所以陰影點像素亮度會比原來路面像素點暗，而且路面材質通常比較均勻，即ρk(x,y)分布范圍較窄，陰影區(qū)域的灰度分布比較平坦，從而決定了陰影的灰度分布特性。

利用上述特性，對二值圖像中的前景區(qū)域進行4個方向投影，獲得4個方向的投影邊界曲線，將該投射邊界曲線上的像素點映射到差分圖像中，就可獲得一組差分圖像中像素點采樣值，其中灰度均值較低一條邊界曲線所對應的方向，就是投射陰影產生的方向，依此來求得陰影像素值的分布區(qū)間。算法如下：

1) 分別從4個方向對前景區(qū)域進行投影(從圖像的4個邊界，沿垂直或水平方向搜索第1個灰度值不為0的像素點，所有點的集合就是該方向上的投影邊界)，獲得4個方向邊界曲線分布。將這4個方向的邊界曲線映射到差分圖像中，創(chuàng)建4個數組U[256]、D[256]、L[256]和R[256]分別存儲上、下、左、右4個方向的灰度分布，其中數組下標表示灰度差值，范圍從0～255，數組中元素的值表示該灰度值的頻數。圖5為4個投影邊界在差分圖像中的映射結果。

圖5　4個方向投影邊界 Fig.5　Projection boundary in four directions

2) 因為陰影區(qū)域的像素呈現正態(tài)分布，為此，求得4個投影邊界的灰度分布均值ES，見式(4)：

(4)

式中：S表示相應的4個投影邊界數組，計算上邊界時，S[i]就是U[i]，以此類推，W表示邊界寬度，本實驗中，計算上下邊界時，W=360，計算左右邊界時，W=288，S[0]表示該計算方向上像素為0的像素點的個數總和。根據式(4)，計算圖2中四邊界像素點的分布特征，獲得其4個投影邊界像素分布的均值，分別為EU=65、ED=71、EL=56、ER=76，從中可以看出，左投影邊界EL灰度均值最小，即認為是陰影產生的方向，則陰影分布均值ES=EL=56。

(5)

3陰影去除算法

陰影特征提取算法通過分析差分圖像的單邊側灰度分布，獲得視頻圖像中陰影區(qū)域的像素分布情況。為了去除陰影，對圖像分割進行修改，此時可分為2類情況：當前幀像素點灰度大于等于背景圖像的像素點時，則該像素為淺色車輛或者背景，不需要消除陰影，只進行正常的最佳閾值分割；當前幀像素點灰度小于背景圖像的像素點時，則有可能是深色車輛或者陰影，需要對其分別進行處理，在此引入陰影像素分布區(qū)間的分割方法。計算如式(6)：

(6)

圖6　投射陰影的去除 Fig.6　Remove the cast shadow

4實驗結果分析

本文實驗采用的是西安市南二環(huán)中段所拍攝的交通視頻，總幀數為5123，單幀圖像分辨率為288×360。本文所有的算法程序均在VC++6.0開發(fā)平臺下實現。實驗環(huán)境為Intel(R)Core(TM)2QuadCPUQ8300 2.5GHz，內存2.5G。實驗中，首先，獲得交通視頻的幀圖7(a)，然后，通過區(qū)域背景差分法，最佳閾值分割，得到圖7(b)，最后，采用本文方法，由式(4)求得陰影像素分布均值為ES=EL=56，由式(5)求得陰影像素分布區(qū)間為(39,73)，利用該陰影分布，對圖像進行陰影去除，結果如圖7(c)所示。

圖7　基于單邊側陰影特征的陰影去除 Fig.7　Shadow removal based on the characteristics of unilateral side shadow

從檢測結果可以看出，本文算法能夠有效地去除掉車輛投影陰影區(qū)域，并且保留了視頻中運動車輛的準確形態(tài)。在實現陰影消除時，單幀圖像的陰影分布特征提取算法耗時僅為0.001878s，完全滿足檢測系統(tǒng)的實時性要求。

為了評價陰影消除的算法性能，引入2個評價指數：陰影消除率和錯誤消除率，它們的計算公式如式(7)和(8)所示：

(7)

(8)

檢測結果如表1所示，結果表明陰影消除率平均能達到93.0%，最佳能達到98.9%，陰影去除效果良好。

表1　陰影檢測算法準確率

5結束語

本文研究了固定攝像頭場景下灰度圖像的陰影消除方法，通過區(qū)域背景差分和最佳閾值分割對圖像進行二值化處理，但是此時二值圖像的前景區(qū)域除了車輛，還包括陰影；為了去除陰影，根據陰影的空間和灰度2種分布特性來確定陰影像素的分布范圍。首先利用陰影的分布特性，計算二值圖像中陰影像素的投影邊界，再將其映射到差分圖像中，計算出陰影像素值的分布區(qū)間，最后采用陰影灰度分布特征對差分圖像進行無陰影圖像二值化處理，從而實現陰影去除。實驗證明，此方法可有效地去除視頻中車輛的陰影區(qū)域。本文方法，較幾何模型方法對模型的要求更低，較色彩空間陰影檢測方法計算量更小，實時性更好。同時，本文方法也存在一定不足，在車身與路面像素分布非常接近的情況，陰影去除時也會消除部分車身像素，因此還需要做進一步的研究。

參考文獻:

[1]楊丹，余孟澤．車輛視頻檢測及陰影去除[J]．計算機工程與設計, 2011, 32(6): 2072-2074, 2079.

YANG Dan, YU Mengze. Vehicle detection and shadow removal in video[J]．Computer Engineering and Design, 2011, 32(6): 2072-2074, 2079.

[2]LEVINE M D , BHATTACHARYYA J．Removing shadows[J]. Pattern Recognition Letters, 2005, 26(2)：251-265.

[3]祖仲林，李勃，陳啟美．基于局部紋理特性的運動車輛陰影消除[J]．計算機工程, 2009, 35(16): 167-169.

ZU Zhonglin, LI Bo, CHEN Qimei. Shadow elimination for moving vehicle based on local texture characteristic[J]. Computer Engineering, 2009, 35(16): 167-169.

[4]YONEYAMA A, YEH C H, KUO C C J. Moving cast shadow elimination for robust vehicle extraction based on 2D joint vehicle shadow models[C]//Proceedings of IEEE Conference on Advanced Video and Signal Based Surveillance. Los Angeles, USA， 2003: 229-236.

[5]HORPRASERT T, HARWOOD D, DAVIS L S. A statistical approach for real-time robust background subtraction and shadow detection[EB/OL]．[2013-09-24]. http://wenku.baidu.com/view/d26c9ff04693daef5ef73dcc.html.

[6]HSIEH J, HU Wenfong, CHANG Chiajung, et al. Shadow elimination for effective moving object detection by Gaussian shadow modeling[J]． Image and Vision Computing, 2003, 21(2): 505-516.

[7]XU Dong, LI Xuelong, LIU Zhengkai, et al． Cast shadow detection in video segmentation[J]． Pattern Recognition Letters, 2005, 26(1): 91-99.

[8]杜麗麗．智能交通系統(tǒng)中視頻車輛檢測技術的研究[D]．青島： 中國海洋大學， 2009: 39-40.

DU Lili. Research on video-based vehicle detection in ITS[D]. Qingdao： Ocean University of China, 2009: 39-40.

丁愛玲，女， 年生，教授，博士，主要研究方向為小波分析、數字圖像處理、智能信號與信息處理、交通信息技術及ITS等。近年來主持并參加了10余項科研的研究工作，發(fā)表學術論文20余篇，其中被SCI收錄1篇，EI收錄12篇，ISTP收錄3篇。

楊康，男，1987年生，碩士研究生，主要研究方向為交通信息技術及ITS。

齊懷超，男，1986年生，碩士研究生，主要研究方向為交通信息技術及ITS。