基于區(qū)域顏色聚類的運動目標陰影檢測

徐 杰,項文波,茅耀斌,孫金生

(南京理工大學 自動化系，江蘇 南京 210094)

基于區(qū)域顏色聚類的運動目標陰影檢測

徐 杰,項文波,茅耀斌,孫金生

(南京理工大學 自動化系，江蘇 南京 210094)

文中提出一種基于區(qū)域顏色特征的陰影檢測方法。首先，通過均衡化灰度直方圖來增強圖像中各個區(qū)域之間的對比度；使用K-means算法對前景區(qū)域進行聚類。對于聚類后的每個區(qū)域，統(tǒng)計每部分的色彩特征不變量直方圖，利用一種直方圖相似性度量方法來比較當前區(qū)域和對應背景區(qū)域的相似性，根據(jù)相似性結(jié)果對每個區(qū)域進行陰影屬性的判斷。通過與基于彩色特征不變量、基于HSV顏色空間等方法進行比較，結(jié)果表明文中算法的陰影檢測率和前景檢測率有一定的提升，且用時較少。實驗結(jié)果表明，文中算法充分利用了陰影的區(qū)域顏色特征，在多類場景中能夠有效檢測出陰影，且具有較好的實時性。

視頻監(jiān)控；運動目標陰影檢測；增強對比度；彩色特征不變量；K-means；直方圖相似性

0 引 言

陰影是因光源被物體遮擋而產(chǎn)生的物理現(xiàn)象，在自然界中十分普遍。在視頻監(jiān)控中，陰影與運動目標混雜在一起，會導致計算機對目標物體的提取和跟蹤出現(xiàn)錯誤。因此，有效的運動目標陰影檢測方法對于正確的目標提取至關重要。

目前大量涌現(xiàn)出的陰影檢測算法[1-4]，首先根據(jù)決策過程是否引入不確定性，可以分為決策類方法和統(tǒng)計類方法[5]。其中，決策類方法又有基于陰影模型方法[6]和基于陰影特征方法之分[7]?；陉幱澳Ｐ偷姆椒ㄊ抢脠鼍啊⑦\動目標、光照條件等先驗知識來建立陰影模型，對三維物體模型的棱、線、角進行匹配。這類方法通常只在特定場景條件下使用，并不具有通用性。基于陰影特征的方法則是利用陰影的幾何特點、亮度、色彩、紋理等信息來標識陰影區(qū)域。

由于一般前景區(qū)域中運動目標和陰影區(qū)域首先在顏色上會有區(qū)別，且運動目標(包括行人和車)本身也可以從顏色角度劃分為不同的區(qū)域；因此，文中提出一種充分利用區(qū)域顏色特征的運動目標陰影檢測方法，通過顏色聚類將前景聚成不同的區(qū)域。同時，由于色彩特征不變量[8]具有不受視角、陰影、表面方向及光照條件等因素影響的特點，故文中選用該特征，統(tǒng)計聚類后各區(qū)域與對應背景區(qū)域的色彩特征不變量直方圖，并采用一種直方圖相似性度量方法對當前區(qū)域和背景區(qū)域之間的相似性進行比較，從而實現(xiàn)陰影屬性的最終判定。

文中陰影檢測方法的流程如圖1所示。

圖1 基于區(qū)域顏色聚類的運動目標陰影檢測

1 運動目標陰影檢測

對于讀入的圖像序列，文中預先采用ViBe(Vis-ualBackgroundextractor)方法[9]來提取出前景區(qū)域。由于提取出的目標區(qū)域會受到噪聲干擾，因此需要進行形態(tài)學濾波和膨脹腐蝕處理，處理后的結(jié)果如圖2所示。

獲得前景區(qū)域后，文中首先通過均衡化灰度直方圖來增強當前圖像中各區(qū)域之間的對比度，然后分別采用K-means聚類[10]以及衡量直方圖相似度這兩種方法來實現(xiàn)陰影區(qū)域的檢測。

1.1 增強對比度

對于不同場景下的運動目標，由于光照強度不同，其產(chǎn)生的陰影強弱也有所不同。為了在不同光照場景下都能夠較好的辨識出陰影區(qū)域，本文采用均衡化灰度直方圖[11]的方法來增強圖像中不同區(qū)域之間的對比度，結(jié)果如圖2(c)、(d)所示?？梢钥闯?，真實前景區(qū)域比原灰度圖像對應區(qū)域要暗，而實際陰影區(qū)域灰度則沒有明顯的變化。

1.2 前景區(qū)域劃分

對于初步檢測出的前景區(qū)域，增強對比度后的目標區(qū)域和陰影區(qū)域在灰度上存在較大差異。根據(jù)這一特點，文中利用K-means聚類方法對增強對比度后的前景進行聚類。其中，根據(jù)一般行人衣著的特點，將聚類中心個數(shù)取為5。同時，為了進一步提高后續(xù)陰影檢測步驟的準確性，對需要聚類的所有前景點進行初步篩選。篩選準則基于陰影最基本特點，即陰影點RGB三個通道的像素值均要低于構(gòu)建背景中對應的像素值。使用K-means方法聚類前景區(qū)域，結(jié)果如圖3所示。

圖2 預處理圖像

圖3 K-means聚類前景區(qū)域

1.3 基于直方圖的相似性度量

聚類后的前景區(qū)域需要判斷每個區(qū)域的陰影屬性。對陰影區(qū)域而言，其與構(gòu)建背景區(qū)域相比，在理論上只有光照強度的變化，因此，需要選擇一個不受光照條件影響的特征量來用于后續(xù)的相似性比較。在彩色圖像中，雙色性反射模型[12]是機器視覺系統(tǒng)常用的彩色模型。根據(jù)該模型性質(zhì)，文中選擇圖像的彩色特征不變量c1,c2,c3為基本特征，轉(zhuǎn)換公式如下：

(1)

(2)

(3)

其中，R,G,B分別表示在RGB顏色空間中的通道值。

結(jié)合文獻[12]并推理可知，該特征不受視角、表面方向及光照條件等因素的影響，其取值僅與物體表面反射率有關。

文中選定彩色特征不變量c1,c2,c3中的c1作為特征值，針對聚類后的每個區(qū)域，統(tǒng)計當前圖像和對應背景圖像中各區(qū)域的c1值，并將其線性轉(zhuǎn)化至[0,255]之間。在獲得當前圖像區(qū)域和對應背景區(qū)域c1直方圖后，采用一種直方圖相似性度量方法[13]來判斷區(qū)域的陰影屬性，具體步驟如下：

(1)對當前區(qū)域直方圖和背景區(qū)域直方圖進行歸一化處理，設歸一化后的當前區(qū)域直方圖為F={f(i)|i=0,1,…,255}，對應背景區(qū)域直方圖則為B={b(i)|i=0,1,…,255}；

(2)以2為指數(shù)對兩個歸一化直方圖進行分級，每一級通過錯位起點方式得到兩個直方圖，分別為正位直方圖fNi,bNi和錯位直方圖fDi,bDi；

(3)分別計算fNi和fDi以及bNi和bDi之間的余弦相關系數(shù)值，得到同級同類型直方圖相似值sNi和sDi。其中：sNi表示第i級正位直方圖fNi和bNi的相似度；sDi表示第i級錯位直方圖fDi和bDi的相似度；

(4)按照各級權(quán)重計算得兩個直方圖之間的相似度s，并設定閾值Ts來判斷區(qū)域?qū)傩?，如果s>Ts，則該區(qū)域?qū)儆谶\動目標區(qū)域，否則就屬于陰影區(qū)域。其中，Ts的取值范圍為[0,1]，具體取值與圖像內(nèi)容有關。

2 實驗與結(jié)果分析

2.1 實驗數(shù)據(jù)集和度量標準

在實驗數(shù)據(jù)集選取方面，文中從廣為使用的陰影檢測基準運動序列(http://arma.sourceforge.net/shadows/)中選取6組具有代表性的圖像序列及其真實圖進行測試，分別為：Hallway，Lab，HighwayI，HighwayIII，Room和Campus。這些圖像序列在具體環(huán)境、序列長度、陰影強弱等方面都存在一定差異。

在度量標準方面，文中選取由Prati等提出的兩個評估標準[14]，分別為陰影檢測率η和前景檢測率ξ，公式如下：

(4)

其中：TPS表示實際陰影像素點中檢測正確的陰影點數(shù)目；TPF表示實際前景像素點中檢測正確的前景點數(shù)目；FNS表示實際陰影像素點未被檢測出來的數(shù)目；FNF表示實際前景像素點被錯分成為陰影像素點的數(shù)目。

2.2 實驗結(jié)果

針對選取的6組圖像序列，使用文中方法進行陰影檢測，并取出其中一幀，結(jié)果如圖4所示(黑色對應前景目標區(qū)域，灰色對應陰影區(qū)域)。

從圖中可以看出，在行人陰影檢測方面，文中方法可以檢測出前景區(qū)域中的大部分陰影區(qū)域；然而，當行人穿著的顏色和陰影顏色接近時，就會出現(xiàn)誤判斷，如圖4(a)中頸部區(qū)域、圖4(c)中腰部區(qū)域以及圖4(d)中行人的部分上半身區(qū)域。而在車輛陰影檢測方面，文中方法在檢測出投影區(qū)域的同時，也容易將車身中與陰影顏色相近的區(qū)域誤檢成陰影，如圖4(e)和圖4(f)所示。

圖4 文中方法陰影檢測結(jié)果

2.3 定量評估結(jié)果

文中針對不同的圖像序列，首先采用ViBe背景建模提取前景，然后針對基于c1,c2,c3顏色空間方法[15]、基于HSV顏色空間方法[16]、基于HSI顏色空間方法[17]以及文中提出的陰影檢測方法進行定量比較，結(jié)果如表1和表2所示。

在實時性方面，從表1中可以看出，針對前四組圖像序列，除了基于HSV顏色空間方法外，文中方法處理所用時間比其余方法的用時都要少；對于HighwayI，文中方法用時最短；而最后一組圖像序列HighwayIII，文中方法用時要高于基于c1,c2,c3顏色空間方法和基于HSV顏色空間方法，但仍比基于HSI顏色空間方法用時要短。由此可得，文中的陰影檢測算法具有較好的實時性。

在陰影檢測率方面，從表2中可以看出，針對Campus、Lab和Room三組圖像序列，文中方法能夠達到90%以上，且比其他幾種方法的檢測率都要高；而對于剩下的三組圖像序列，文中方法并未獲得最高的陰影檢測率，且在Hallway圖像序列中，與最優(yōu)結(jié)果有近20%的差距。

在前景檢測率方面，從表2可以看出，針對Hallway圖像序列，文中方法得到了最高的前景檢測率；而對于其他圖像序列，文中方法并未獲得較好的結(jié)果。考慮這種現(xiàn)象的原因，是由于在聚類的過程中，與背景顏色相近的區(qū)域容易被誤判斷成陰影，這樣會使真實目標內(nèi)部出現(xiàn)區(qū)域性誤判，導致前景檢測率受到較大影響。

表1 不同方法的陰影檢測用時 ms

表2 不同方法的陰影檢測率η和前景檢測率ξ %

3 結(jié)束語

對于含有運動目標的視頻，文中首先采用ViBe背景建模來提取前景目標，然后利用K-means聚類將前景區(qū)域劃分成不同的區(qū)域，接著統(tǒng)計每個區(qū)域的c1直方圖，并使用一種直方圖相似性度量方法來度量聚類后每個區(qū)域與對應背景區(qū)域之間的相似性，最終實現(xiàn)運動目標陰影檢測。

實驗結(jié)果表明，文中方法在陰影檢測率方面能夠獲得不錯的結(jié)果，但是在陰影檢測率和前景檢測率方面會存在一定的不穩(wěn)定性?？紤]這種現(xiàn)象的原因是在聚類過程中會把陰影區(qū)域和顏色接近陰影的前景區(qū)域聚類到一起，從而影響了陰影檢測率。這在一定程度上會對算法的通用性產(chǎn)生一定影響，在以后的研究中需要解決這個問題。

[1] 奚 穩(wěn),羅立民.基于RGB信息的運動陰影檢測[J].中國電子商情:通信市場,2011(6):374-379.

[2] 蔡海鵬,潘志庚,孫 超.面向視頻場景的虛實交互中的運動陰影檢測算法[C]//和諧人機環(huán)境聯(lián)合學術(shù)會議.出版地不詳:出版者不詳,2008：260-264.

[3] 袁國武,丁海燕,周 浩,等.結(jié)合局部紋理和色度的運動目標檢測方法[J].電子測量技術(shù),2012,35(12):55-59.

[4] 王 典.基于混合高斯的背景建模與陰影抑制算法研究[D].西安:西北工業(yè)大學,2006.

[5]PratiA,MikicI,TrivediM,etal.Detectingmovingshadows:algorithmsandevaluation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2003,25(7):918-923.

[6]KollerD,DaniilidisK,NagelHH.Model-basedobjecttrackinginmonoculerimagesequencesofroadtrafficscenes[J].InternationalJournalofComputerVision,1993,10(3):257-281.

[7]SalvadorE,CavallaroA,EbrahimiT.Shadowidentificationandclassificationusinginvariantcolormodels[C]//ProcofICASSP01.[s.l.]:[s.n.],2001:1545-1548.

[8] 尚晉霞,尚振宏,楊 檉.基于色彩特征不變量與局部紋理結(jié)合的運動陰影去除[C]//2009年研究生學術(shù)交流會通信與信息技術(shù)論文集.出版地不詳:出版者不詳,2009.

[9]BarnichO,DroogenbroeckMV.ViBe:auniversalbackgroundsubtractionalgorithmforvideosequences[J].IEEETransactionsonImageProcessing,2011,20(6):1709-1724.

[10] 馮 超.K-means聚類算法的研究[D].大連:大連理工大學,2007.

[11]GonzalezRC,WoodsRE.Digitalimageprocessing[M].2nded.Beijing:PublishingHouseofElectronicsIndustry,2007:72-74.

[12]StauderJ,MechR,OstermannJ.Detectionofmovingcastshadowsforobjectsegmentation[J].IEEETransactionsonMultimedia,1999,1(1):65-76.

[13] 李 峰,陸宇芹,金 紅,等.一種直方圖相似性度量方法:CN,201410519175.3[P].2014-09-30.

[14]SaninA,SandersonC,LovellBC.Shadowdetection:asurveyandcomparativeevaluationofrecentmethod[J].PatternRecognition,2012,45(4):1684-1695.

[15]SalvadorE,CavallaroA,EbrahimiT.Castshadowsegmentationusinginvariantcolorfeatures[J].ComputerVisionandImageUnderstanding,2004,95(2):238-259.

[16]CucchiaraR,GrnnaC,PiceardiM.Detectingmovingobjects,ghostsandshadowsinvideostreams[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2003,25(10):1337-1342.

[17]TsaiVJD.Acomparativestudyonshadowcompensationofcoloraerialimagesininvariantcolormodels[J].IEEETransactionsonGeoscienceandRemoteSensing,2006,44(6):1661-1671.

Moving Object Shadow Detection Based on Regional Color Clustering

XU Jie,XIANG Wen-bo,MAO Yao-bin,SUN Jin-sheng

(Department of Automation,Nanjing University of Science and Technology,Nanjing 210094,China)

A novel algorithm based on regional color feature is proposed to detect moving shadow.First,an image equivalence method is built to enhance the contrast between regions in the frame,andK-meansisalsousedfortheforegroundcluster.Then,thestatisticalhistogramofcolorinvariantfeatureiscalculatedineachcluster,comparingthesimilarityofhistogrambetweenforegroundandbackgroundbyhistogramsimilaritymeasuringmethod.Last,theshadowpropertiesofregionsarejudgedaccordingtothesimilarityresult.Bycomparisonwithcertainclassicalmethodssuchasinvariantcolorfeaturesbasedmethod,HSVcolorspacebasedmethodandsoon,theproposedmethodperformsbetterthansomeofthemintermsofshadowdetectionrateandrunningtime.Theexperimentalresultsshowthatthealgorithminthispapermakefulluseofthecolorfeatureofregiontodetecttheshadoweffectivelyinmulti-classviewandhasbetterreal-time.

video surveillance;moving target shadow detection;contrast enhancement;color invariant feature;K-means;similarityofhistogram

2015-06-09

2015-09-15

時間：2016-02-18

國家科技重大專項基金(2011ZX04002-051)

徐 杰(1991-)，女，碩士，研究方向為視頻圖像處理；項文波，講師，研究方向為計算機視覺、視頻與圖像處理、視頻跟蹤；茅耀斌，副教授，研究方向為圖像處理與模式識別、多媒體信息安全；孫金生，教授，研究方向為網(wǎng)絡擁塞控制、質(zhì)量控制。

http://www.cnki.net/kcms/detail/61.1450.TP.20160218.1630.034.html

TP

A

1673-629X(2016)03-0193-04

10.3969/j.issn.1673-629X.2016.03.045