一種基于交通視頻車輛陰影去除算法的研究

朱世松　張海燕　張翠云　朱洪錦

1(河南理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院　河南 焦作 454003)

2(河南工業(yè)和信息化職業(yè)學(xué)院　河南 焦作 454000)

3(江蘇理工學(xué)院計算機工程學(xué)院　江蘇 常州 213001)

?

一種基于交通視頻車輛陰影去除算法的研究

朱世松1張海燕1張翠云2朱洪錦3

1(河南理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院河南 焦作 454003)

2(河南工業(yè)和信息化職業(yè)學(xué)院河南 焦作 454000)

3(江蘇理工學(xué)院計算機工程學(xué)院江蘇 常州 213001)

摘要車輛識別是智能交通系統(tǒng)的主要研究課題，而陰影是影響車輛識別的最主要原因。根據(jù)車輛陰影形成的光學(xué)特征，提出一種基于自動標(biāo)記的OSTU雙閾值圖像增強車輛陰影去除算法。首先使用改進的統(tǒng)計直方圖背景更新算法進行背景更新，獲取背景圖像。其次使用背景差分運算求取包含移動陰影的前景二值圖像。最后使用改進的自動標(biāo)記算法對所得二值圖像的連通區(qū)域進行標(biāo)記，然后分別對每一個標(biāo)記的連通區(qū)域所對應(yīng)的實際圖像使用OSTU雙閾值圖像分割方法進行分割，并對所得的分割區(qū)域進行不同程度的灰度增強。在視頻檢測實驗中，該算法不僅能夠有效消除移動陰影，而且在一定程度上克服了陰影誤檢等問題。實驗結(jié)果表明，該改進方法在陰影消除方面的有效性。

關(guān)鍵詞改進統(tǒng)計直方圖鄰域壓縮OSTU圖像增強陰影消除

RESEARCH ON A TRAFFIC VIDEO-BASED VEHICLE SHADOW REMOVAL ALGORITHM

Zhu Shisong1Zhang Haiyan1Zhang Cuiyun2Zhu Hongjin3

1(School of Computer Science and Technology,Henan Polytechnic University,Jiaozuo 454003,Henan,China)2(Henan College of Industry and Information Technology,Jiaozuo 454000,Henan,China)3(School of Computer Engineering,Jiangsu University of Technology,Changzhou 213001,Jiangsu,China)

AbstractVehicle identification is the major research subject in intelligent transportation system, and the shadow is the main factor affecting vehicle identification. According to the optical characteristics of vehicle shadow formation, we proposed an automatic marking-based vehicle shadow removal algorithm with OSTU dual-threshold image enhancement. First, it uses the improved statistical histogram background update algorithm to update the background and to acquire the background images. Then it obtains the foreground binary image with moving shadow by background subtraction operation. Finally, it uses the improved automatic marking algorithm to mark the connected region of the derived binary images, and then segments the actual image corresponding to every marked connected region by OSTU dual-threshold image segmentation algorithm; and the gray enhancements are applied to the obtained segmented regions in different degrees. In experiment of video detection, not only the algorithm can effectively eliminate the moving shadow, but the problem of false shadow detection is also overcome to certain extent. Experimental results showed the effectiveness of the improved method proposed in the paper in shadow removal.

KeywordsImproved statistical histogramNeighborhood compressionOSTU image enhancementShadow removal

0引言

近年來，伴隨著智能交通系統(tǒng)的快速發(fā)展，基于視頻的運動車輛檢測作為智能交通系統(tǒng)的重要組成部分受到越來越多的關(guān)注。然而，在光照較強的交通視頻環(huán)境中，陰影成為影響目標(biāo)車輛檢測精度的主要干擾因素，對陰影進行檢測和消除則成為當(dāng)前智能交通領(lǐng)域急需解決的問題。目前常用的陰影去除方法主要分為兩類：基于形狀特征的陰影去除方法和基于光譜特征的陰影去除方法[1]。

基于形狀特征的陰影去除算法需要使用場景、目標(biāo)和光源位置等先驗信息來實現(xiàn)陰影的檢測和去除，適用范圍較窄[2,3]。Hsieh等人利用車道特征提出一種基于車道航線算法來分離陰影和目標(biāo)[4]；Akio Yoneyama等人建立一個聯(lián)合車輛和陰影的二維模型用于從目標(biāo)中去除陰影[5]。然而，由于這些方法對場景中目標(biāo)和光源方向等信息的依賴性較強，一旦場景中物體之間的關(guān)系發(fā)生變化，則該方法的陰影檢測效果較差。

基于光譜的陰影去除算法是一種利用目標(biāo)和陰影的光譜信息進行陰影檢測的方法[6,7]。由于該方法不受光源的方向和目標(biāo)形狀等信息的影響，與利用場景的先驗信息進行陰影去除的算法相比，該方法對陰影的檢測和消除效果較好。文獻[8,9]提出了一種確定性非模型算法又叫DNM2(Deterministic Nonmodel-Based)算法。該算法在強光源、相機和背景靜止等假設(shè)條件均成立的情況下進行陰影的檢測和消除。但由于該算法的應(yīng)用場合是強光環(huán)境，對于光線較弱或者陰影亮度不是很明顯的場景，算法則不能很好地應(yīng)用于實踐中。文獻[10]提出了一種基于HSI和C1C2C3顏色模型的CCM陰影去除算法。由于該算法僅利用HSI顏色空間信息不能很好地實現(xiàn)陰影檢測而將C1C2C3顏色模型引入的一種改進的陰影檢測方法。該方法的陰影檢測效果較好，但是，當(dāng)目標(biāo)物體的亮度值與陰影的亮度值相似或者目標(biāo)亮度比背景亮更低時，該方法則同樣不能有效地將目標(biāo)與陰影分離，甚至將部分目標(biāo)誤判為陰影而被消除，導(dǎo)致結(jié)果不完整甚至丟失。文獻[11-13]中Kai-Tai Song等人提出了一種SNP2無參數(shù)統(tǒng)計算法，該算法利用陰影在RGB顏色空間中，同一區(qū)域的陰影和背景的R、G、B三分量的比例呈高斯分布特性而進行陰影檢測的一種方法。該方法對大部分陰影的檢測效果較好，但對于圖像不敏感的區(qū)域，仍能無法徹底檢測出全部的陰影。文獻[14]根據(jù)光照模型不變性提出一種基于局部強度比例特征的算法進行陰影檢測，該方法的使用方位仍然只局限于強光下。

針對上述算法的缺點和不足，本文根據(jù)陰影形成的光學(xué)特征，提出一種基于改進的自動標(biāo)記算法與OSTU雙閾值圖像增強算法相結(jié)合的陰影消除新算法。該算法的陰影去除過程主要分為三步：(1) 使用改進的統(tǒng)計直方圖算法進行背景圖像的提取和更新；(2) 通過背景差分算法實現(xiàn)包含移動陰影的前景目標(biāo)提?。?3) 使用改進的自動標(biāo)記算法和基于OSTU雙閾值灰度增強算法進行陰影的有效去除。

1背景圖像的生成

采集的視頻流中往往包含其他比較復(fù)雜的信息，為了獲得較為純凈的運動前景，背景圖像的獲得是一個必不可少的流程。因此，本文選擇對常用的背景更新算法——統(tǒng)計直方圖算法進行改進，以快速獲得較為準確的背景圖像。改進的背景更新算法的基本思想如下：首先通過求方差的方法獲取劃分窗口記錄的最佳誤差范圍R，然后為每個像素點設(shè)置一個大小包含N個記錄的窗口，每個記錄中記錄該點在允許的誤差范圍R內(nèi)的像素數(shù)值及其出現(xiàn)的次數(shù)。當(dāng)窗口填滿后，新出現(xiàn)的值替換掉計數(shù)最小的記錄，這樣就保證經(jīng)常出現(xiàn)的像素值得以積累，而不經(jīng)常出現(xiàn)的像素數(shù)值會被替換掉。由于窗口長度有限，當(dāng)背景發(fā)生變化后，N幀圖像過后就可以得到新的背景圖像，背景更新周期較短。具體的背景實現(xiàn)如下：

(1)

(2)

(3)

m=Max(C1,C2,…,Ci,…,CN)1≤i≤N

(4)

B(x,y)=(1-α)Tm-1(x,y)+αTm(x,y)0≤α≤1

(5)

式(3)中fM(x,y)表示坐標(biāo)M(x,y)處的像素值，i表示窗口記錄的序號，N表示窗口中所含記錄的個數(shù)，Ri(x,y)表示窗口中第i個記錄的像素值，R表示允許的像素誤差范圍(通過實驗可知為5)，實際上將像素按R大小分組以平均誤差，而Ci表示第i個記錄的計數(shù)值。當(dāng)fM(x,y)與第i個記錄中的像素數(shù)值允許的范圍之內(nèi)時，Ci就會自增1。否則，如果所有N個記錄中沒有與fM(x,y)相同的值，就插入該記錄或替換計數(shù)最小的記錄，并將該記錄的計數(shù)設(shè)為1。

式(4)中m表示N個記錄中計數(shù)最大的記錄序號。

式(5)表示更新M(x,y)點處背景像素值，α表示更新速率，值越大，新的像素數(shù)值對背景影響就越大。

當(dāng)用M(x,y)點出的像素數(shù)值fM(x,y)來更新背景時，只要新的像素數(shù)值與記錄表中的像素數(shù)值相差在范圍(0,R)內(nèi)，就認為該像素數(shù)值就是背景像素值，這樣就減少了直方圖統(tǒng)計的項數(shù)，也就減少了查找記錄表的時間。然而視頻中的背景并不是一直不變的。當(dāng)光照等外部環(huán)境出現(xiàn)變化，背景也會跟著發(fā)生變化，但是背景的變化會有一個過程，而不是突變的，如攝像機移動過程中還未適應(yīng)光照的變化等造成光照不穩(wěn)定等突變。設(shè)置更新速率α，將α限制在小于1的范圍內(nèi)，就減小了由于突變產(chǎn)生的影響，同時不會對原來統(tǒng)計的背景產(chǎn)生較大的影響。

采用該算法獲取的背景圖像較好且實時性高。具體選取實驗數(shù)據(jù)Highway I的第50幀的背景更新效果進行比較，結(jié)果如圖1所示。

圖1　背景更新效果比較

2前景運動車輛的提取

背景圖像的獲得是進行前景目標(biāo)提取的前提。獲取前景目標(biāo)的方法有很多，如光流法、幀間差分算法以及背景差分算法等[15]。本文為滿足交通視頻實時性的要求，選取簡單、容易實現(xiàn)、實時性好的的背景差分算法作為提取前景運動車輛的方法。

(6)

式中，Th為根據(jù)經(jīng)驗預(yù)先設(shè)定的閾值。

根據(jù)背景差分算法進行前景提取獲得的運動車輛如圖2所示。

圖2　背景差分算法獲取的前景目標(biāo)

3基于改進的自動標(biāo)記和OSTU雙閾值圖像增強陰影消除新算法

從圖2可以看出，通過背景差分算法獲得運動車輛形狀發(fā)生了極度的變形，造成這一現(xiàn)象產(chǎn)生的原因是由于陰影的存在。通過閱讀文獻可知：在光照較強的環(huán)境中，陰影是由于太陽光或者環(huán)境光照被物體遮擋而產(chǎn)生的一種物理現(xiàn)象。根據(jù)太陽光照是否全部或者部分被遮擋，可以將陰影分為兩種：本影和半影。本影是由于太陽光照被全部遮擋，只有環(huán)境光而產(chǎn)生的一種陰影；而半影則是由于太陽光照被部分遮擋而產(chǎn)生的一種現(xiàn)象。根據(jù)明暗程度的不同，可以將交通視頻流中的一副灰度圖像劃分目標(biāo)車輛、本影、半影和背景四個區(qū)域。由于本文是以包含移動陰影的目標(biāo)車輛作為研究對象，故本文首先通過第1、2節(jié)的算法提取出包含移動陰影的運動車輛，再使用改進的自動標(biāo)記算法和OSTU雙閾值圖像增強算法對其進行處理。最后再次通過背景差分算法獲取去除陰影的運動車輛。陰影去除算法的結(jié)構(gòu)框圖如圖3所示。

圖3　本文算法的框圖

3.1改進的目標(biāo)標(biāo)記算法

目標(biāo)標(biāo)記算法是一種以當(dāng)前二值圖像為研究對象的目標(biāo)識別方法。該方法通過在二值圖像中尋找連通區(qū)域，相互連接的目標(biāo)點則被判斷為屬于同一個目標(biāo)點，各個不同的連通區(qū)域?qū)?yīng)不同的目標(biāo)。通過自動標(biāo)記過程可以獲得目標(biāo)的個數(shù)、位置、輪廓等特征，從而為目標(biāo)的后續(xù)處理提供有效的幫助[16]。

然而，由于目標(biāo)標(biāo)記算法需要標(biāo)記運動目標(biāo)的信息比較多，時間消耗量大，不利于視頻的實時性應(yīng)用。本文選擇對像素點的相鄰區(qū)域進行壓縮，大大減少了自動標(biāo)記的計算量，提高了計算速度，為算法的實時性應(yīng)用提供了更優(yōu)越的條件。算法的改進過程主要分為三個步驟，如圖4所示。

圖4　目標(biāo)標(biāo)記算法過程圖

(1) 采用一個3×3的模板對圖像b中的9個像素點轉(zhuǎn)換為圖像c中1個像素點。轉(zhuǎn)換原則：若圖像b中的一個連通域9個像素點有超過6個像素數(shù)值為1的點則將此連同區(qū)域認為是一個目標(biāo)點并設(shè)置其像素數(shù)值為1 ；否則為背景，像素數(shù)值設(shè)置為0。

(2) 對所得的圖像c進行行掃描。當(dāng)掃描到第一個坐標(biāo)點(m,k)的像素為1時，并對該行繼續(xù)向右掃描，依次查詢該行像素為1的目標(biāo)點，直至(m,n)=0，便可停止向右查詢。且將所有像素數(shù)值為1的像素加入到目標(biāo)數(shù)組中，像素數(shù)值保持不變。然后繼續(xù)對下一行的像素點進行掃描，若(m+1,k-1)到(m+1,n)之間的點中存在像素數(shù)值為0的點，則對該行第一個像素數(shù)值為1的點(m+1,l)(k-1≤l≤n)向左向右分別擴展s及q個像素點。將(m+1,l-s)至(m+1,l+q)之間的像素點全部加入到目標(biāo)數(shù)組中，并將此區(qū)間的像素數(shù)值全部賦值為1，同時對上一行區(qū)間在(m+1-1,l-s-1)至(m+1-1,l+q+1)及下一行區(qū)間在(m+1+1,l-s-1)至(m+1+1,l+q+1)之間的像素點進行掃描。如果他們之間存在像素數(shù)值為1的點，則繼續(xù)重復(fù)上述操作，直至某一區(qū)間的像素點全部為1終止，則該目標(biāo)搜索完成。

(3) 當(dāng)所有目標(biāo)搜索完畢以后，需要對各個目標(biāo)的上、下、左、右四個方向外擴三個像素點，以獲得較為準確的目標(biāo)區(qū)域，找出區(qū)域重心對其標(biāo)記。

3.2基于OSTU雙閾值灰度增強算法

OSTU雙閾值圖像增強算法是一種基于OSTU雙閾值圖像分割的灰度增強算法。該方法將一副灰度圖像分割為三個區(qū)域，并按照一定的要求突出圖像中某一區(qū)域的特征，同時削弱或去除某些不需要的以及給目標(biāo)造成干擾的信息。該算法的基本思想：首先采用OSTU雙閾值圖像分割算法計算三個不同區(qū)域之間的類間方差，使類間方差達到最大值的兩個像素個數(shù)作為劃分不同區(qū)域的最佳分割閾值；然后，對所得的不同區(qū)域內(nèi)的像素點分別累加預(yù)先給定的經(jīng)驗數(shù)值以完成圖像的灰度增強。

設(shè)一副灰度圖像包含L個灰度級，閾值m1及m2(m1

(7)

灰度均值為：

(8)

(9)

(10)

(11)

類間方差為：

g(m1,m2)=pA(μA-μO)2+pB(μB-μO)2+

pC(μC-μO)2

(12)

對各區(qū)域進行不同程度的灰度增強：

(13)

3.3改進的自動標(biāo)記算法與OSTU雙閾值灰度增強相融合的運動車輛陰影去除算法

本文通過第1、2節(jié)分別獲得了交通背景圖像和包含移動車輛陰影的前景二值圖像。接著則采用改進的自動標(biāo)記算法和OSTU雙閾值灰度增強相融合的運動車輛陰影去除算法進行數(shù)據(jù)的后續(xù)處理。首先，對前景二值圖像中的每一個連通區(qū)域使用改進的自動標(biāo)記算法進行標(biāo)記；其次，對前景二值圖像中帶有標(biāo)記的連通域和與其對應(yīng)的當(dāng)前圖像和背景圖像進行一系列的運算即得標(biāo)記位置處實際的車輛前景(前景)和背景，同時對車輛前景使用OSTU雙閾值圖像分割算法進行區(qū)域分割并對所得的分割區(qū)域進行不同程度的灰度增強；最后，將標(biāo)記位置處對應(yīng)的增強圖像和背景圖像進行差分運算以獲得消除陰影的實際前景車輛。陰影消除算法的整體實現(xiàn)步驟如下：

1) 背景更新：對交通視頻圖像f(x,y)使用改進的統(tǒng)計直方圖背景更新算法獲得交通視頻的背景圖像,即B(x,y)。

2) 前景目標(biāo)圖像的獲得：對當(dāng)前交通圖像f(x,y)和從式(5)獲得的背景圖像B(x,y)進行背景差分運算以得到包含移動車影的前景二值圖像F(x,y)；

3) 自動標(biāo)記：使用改進的自動標(biāo)記算法對獲得的前景二值圖像F(x,y)進行標(biāo)記，記為F′(x,y)，同時將F′(x,y)與當(dāng)前幀圖像f(x,y)與背景圖像B(x,y)做運算來獲得原始的車輛圖像f′(x,y)和背景圖像B′(x,y)；

4) 計算最佳閾值：對獲得標(biāo)記的區(qū)域f′(x,y)使用OSTU雙閾值圖像分割方法進行圖像分割以獲得分割區(qū)域的最佳分割閾值m1和m2。

5) 灰度增強：根據(jù)閾值m1及m2與標(biāo)記車輛區(qū)域f′(x,y)對應(yīng)的背景區(qū)域B′(x,y)，對獲得的分割區(qū)域進行不同程度的灰度增強。若f′(x,y)

6) 陰影去除：B′(x,y)和f′(x,y)再次進行背景差分運算，將所得的二值圖像進行數(shù)學(xué)形態(tài)學(xué)等處理，得到消除車影的前景目標(biāo)(該算法對于過度復(fù)雜的環(huán)境，可能需要多次的背景差分)。

通過上述步驟即可獲得較為準確的前景車輛，具體見第4節(jié)實驗結(jié)果與分析。

4實驗結(jié)果與分析

本文選擇采用本文算法與當(dāng)前文獻中比較經(jīng)典的3種陰影去除算法在主觀性和客觀性兩個方面進行比較。實驗數(shù)據(jù)選取公開的交通視頻流，詳細的視頻數(shù)據(jù)如表1所示。文中所有算法均在硬件環(huán)境：操作系統(tǒng)WIN 7、CPU為i5、2.5 GHz、內(nèi)存為4 GB；軟件編譯環(huán)境：VS2010與OpenCV 2.4.3下進行調(diào)試。

表1　實驗數(shù)據(jù)詳細參數(shù)

4.1主觀評價

為了證明本文算法的實驗結(jié)果具有較好的主觀效果，選取DNM2、SNP2以及CCM三種著名的陰影消除算法進行比較。詳細比較效果如圖5所示。(a) 為實驗過程中選取視頻流的某一幀原始圖像，其余的則為當(dāng)前文獻中存在的幾個經(jīng)典的陰影去除算法以及本文提出的算法獲取的實驗結(jié)果。從圖5中可以看出，在不影響車輛識別和跟蹤的前提下，采用本文所提的陰影消除算法不僅可以對交通視頻中存在的移動陰影進行很好的去除，而且保證了車輛的完整性。然而，對于通過DNM2算法、CCM算法以及SNP2算法所獲取的試驗結(jié)果，雖然可以檢測出大部分的車輛陰影并消除，但是，對于目標(biāo)車輛顏色與背景圖像顏色相差不大時，容易將部分目標(biāo)車輛判斷為陰影，造成車輛形狀發(fā)生變形或者基本消失(如圖中白色矩形區(qū)域所示)。

圖5　陰影消除算法的主觀比較

4.2客觀評價

為保證實驗結(jié)果的可靠性，選取文獻[17]提出的陰影辨別率η和檢測率ξ作為評價算法性能的指標(biāo),并參考文獻[18]將兩者求和取均值來進一步分析其性能，具體定義如下：

其中，ΤPF表示正確檢測到的前景像素個數(shù)，F(xiàn)NF表示將前景像素誤檢為陰影像素的個數(shù)，ΤPS表示正確檢測到陰影像素的個數(shù)，F(xiàn)NS表示將陰影像素誤檢為前景像素的個數(shù)。

表2列出了本文算法與當(dāng)前文獻中存在的3種比較好的陰影檢測算法進行比較。通過數(shù)據(jù)對比可以看出，文中所提出的算法明顯優(yōu)于已經(jīng)存在的其他算法。尤其在Highway I 與Campus兩個實驗視頻中，陰影的檢測率較高，但是對于光照較強，陰影區(qū)域較小的Highway II，雖然沒有錯誤地將前景像素檢測為陰影，但是也沒有檢測到正確的陰影像素。因此，除了Highway II視頻的檢測效果除外，本文所提算法與DNM2、CCM以及SNP2三種陰影檢測算法相比，Avg的檢測率分別提高12.62、11.95、 5.82以及6.92、4.84、0.5個百分點。

表2　陰影消除算法的量化結(jié)果比較(%)

根據(jù)表2的內(nèi)容 ，本文通過圖6對Highway I的陰影辨別率η、陰影檢測率ξ進行表示。從圖中可以看出，對于Highway I視頻序列，本文提出的陰影檢測算法與其他三種陰影檢測算法相比，不僅陰影辨別率明顯優(yōu)于其他算法，而且在大部分視頻幀中，該算法的陰影檢測率也相對比較高。

圖6　視頻Highway I的定量評價

5結(jié)語

本文在改進的背景更新算法的基礎(chǔ)上提出了一種基于改進的自動標(biāo)記算法和OSTU雙閾值圖像增強相結(jié)合的陰影消除算法。該算法通過對固定窗口統(tǒng)計算法和背景差分算法獲取的前景二值圖像進行標(biāo)記并對圖像中標(biāo)記位置處實際的前景圖像使用OSTU雙閾值分割算法進行分割。最后對所得的分割區(qū)域進行不同程度的灰度增強以達到陰影消除的目的。實驗結(jié)果分析表明：利用分組可以減少統(tǒng)計直方圖的計算量，從而減少了基于統(tǒng)計直方圖背景更新算法的運行時間，保證了實時性；OSTU雙閾值分割算法根據(jù)前景車輛、本影以及半影的明暗程度能夠?qū)ψ詣訕?biāo)記位置處的圖像進行很好地分割并通過圖像增強和背景差分方法實現(xiàn)了移動陰影的有效去除。

參考文獻

[1] 劉懷愚,李璟,洪留榮.基于多特征融合的運動車輛陰影消除方法[J].計算機工程,2011,37(13):156-159.

[2] Saroj K Mehera,M N Murty.Efficient method of moving shadow detection and vehicle classification[J].International Journal of Electronics and Communications,2013,67(8):665-670.

[3] 張紅穎,李鴻,孫毅剛.基于混合高斯模型的陰影去除算法[J].計算機應(yīng)用,2013,33(1):31-34.

[4] Hsieh J W,Yu S H,Chen Y S,et al.A shadow elimination method for vehicle analysis[C]//Proc.ICPR,Cambridge,UK,2004,4:372-375.

[5] Yoneyama A,Yeh C H,Kuo C C J.Moving cast shadow elimination for robust vehicle extraction based on 2-D joint vehicle/shadow models[C]//Proc. ICAVSBS,Miami,FL,2003:21-22.

[6] 曹健,陳紅,張凱,等.結(jié)合區(qū)域顏色和紋理的運動陰影檢測方法[J].機器人,2011,33(5):628-633.

[7] Prati A,Mikic I,Trivedi M M,et al.Detecting moving shadows:Algorithms and evaluation[J].IEEE Trans. Pattern Anal. Mach. Intell.,2003,25(7):918-923.

[8] Gevers T,Stokman H.Classifying color edges in video into shadow-geometry,highlight,or material transitions[J].IEEE Trans.Multimedia,2003,5(2): 237-243.

[9] Jurgen Stauder,Roland Mech,Jorn Ostermann.Detection of Moving Cast Shadows for Object Segmentation[J].IEEE Transactions on Multimedia,1999,1(1):65-76.

[10] Sun B,Li S.Moving cast shadow detection of vehicle using combined color models[C]//Chinese Conf. on Pattern Recognition,IEEE,Chongqing,China,2010:1-5.

[11] Kaitai Song,Jenchao Tai.Detection of Moving Cast Image-Based Traffic Monitoring[J].Proceedings of the IEEE,2007,95(2):413-426.

[12] Jiangyan Dai,Miao Qi,Xiaoxi Yu,et al.Integrated moving cast shadows detection method[J].Optical Engineering,2012,51(11):117005-1-14.

[13] Miao Qi,Jiangyan Dai,Qi Zhang,et al.Cascaded cast shadow detection method in surveillance scenes[J].Optik,2014,125(3):1396-1400.

[14] 向金海,廖紅虹,樊恒,等.基于局部強度比率特征的前景檢測[J].計算機科學(xué),2014,41(3):293-296.

[15] 嚴紅亮,王福龍,劉志煌,等.基于ViBe算法的改進背景減去法[J].計算機系統(tǒng)應(yīng)用,2013,23(6):130-134.

[16] 王明佳,王延杰,張旭光.利用鄰域象素合成實現(xiàn)對目標(biāo)的快速自動標(biāo)記[J].微型機與應(yīng)用,2005(9):49-51.

[17] Andrea Prati,Ivana Mikic,Mohan M Trivedi,et al.Detecting Moving Shadows:Algorithms and Evaluation[J].IEEE Transactions on Patternan Alysis and Machine Intelligence,2003,25(7):918-923.

[18] Ajay J Joshi,Nikolaos Papanikolopoulos.Learning of moving cast shadows for dynamic environments[C]//IEEE International Conference on Robotics and Automation.Pasadena:CA,2008:987-992.

中圖分類號TP391

文獻標(biāo)識碼A

DOI:10.3969/j.issn.1000-386x.2016.02.044

收稿日期：2014-07-29。河南國際科技合作項目(084300510 065)；河南省教育廳科學(xué)技術(shù)研究重點項目(13A520340)；江蘇省自然科學(xué)基金項目(BK20130235)；河南省高等學(xué)校礦山信息化重點學(xué)科開放實驗室開放基金項目(KZ2012-02)；河南理工大學(xué)博士基金項目(B20 10-95)。朱世松，副教授，主研領(lǐng)域：圖像處理。張海燕，碩士生。張翠云，講師。朱洪錦，講師。