基于顏色屬性的車輛陰影去除方法

徐少飛　劉政怡

(安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院　安徽 合肥 230601)

?

基于顏色屬性的車輛陰影去除方法

徐少飛劉政怡

(安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院安徽 合肥 230601)

顏色屬性，即語(yǔ)言顏色標(biāo)簽，可以表示世界中的所有顏色。視頻幀圖像中的陰影的顏色屬性為黑色，因此提出一種基于顏色屬性的車輛陰影去除方法。利用概率潛在語(yǔ)義模型學(xué)習(xí)顏色屬性，建立顏色名概率字典，并實(shí)現(xiàn)對(duì)視頻幀圖像的顏色名映射，將表征陰影的黑色區(qū)域二值化為背景，而非陰影區(qū)域二值化為前景。同時(shí)，將二值化圖與背景差分圖進(jìn)行“與”操作，去除陰影，再去除陰影外邊緣的噪聲。最后，對(duì)其進(jìn)行先膨脹再連通域填充處理，以得到去除陰影后的車輛目標(biāo)。實(shí)驗(yàn)證明，該方法在一定場(chǎng)景下可以很好地去除陰影，獲得相對(duì)完整的運(yùn)動(dòng)車輛目標(biāo)。

顏色屬性概率潛在語(yǔ)義分析模型陰影顏色名映射

0　引　言

近年來(lái)，智能交通系統(tǒng)[1]在人們的生活中扮演著越來(lái)越重要的角色，為交通系統(tǒng)的管理提供了更為直觀方便的分析手段[2]。運(yùn)動(dòng)目標(biāo)檢測(cè)是智能交通的一個(gè)重要內(nèi)容，而陰影去除則是精確檢測(cè)出運(yùn)動(dòng)車輛目標(biāo)的前提。

目前，陰影去除方法主要分為基于模型和基于陰影特征兩類?；谀Ｐ偷姆椒ㄐ枰霉庹铡⑦\(yùn)動(dòng)車輛目標(biāo)和固定場(chǎng)景等先驗(yàn)知識(shí)建立陰影模型。多數(shù)情況下，先驗(yàn)知識(shí)較難獲得，因此該方法具有較大的局限性?；陉幱疤卣鞯姆椒ǜ鶕?jù)陰影的邊緣、幾何特征及紋理等特征來(lái)分離目標(biāo)和陰影。利用運(yùn)動(dòng)前景與對(duì)應(yīng)背景區(qū)域的梯度紋理相似性進(jìn)行陰影檢測(cè)，相似性越高，陰影的可能性越大，但對(duì)紋理相近或物體表面紋理不明顯區(qū)域得不到有效的檢測(cè)結(jié)果[3,4]。對(duì)不同的陰影進(jìn)行幾何分析，以實(shí)現(xiàn)陰影去除，需要知道光照的方向和相關(guān)輔助線，適應(yīng)性較差[5,6]?；谶吘壭畔z測(cè)陰影的方法，會(huì)留下多個(gè)陰影塊，難以消除[7]?；谀Ｐ偷姆椒m然可以準(zhǔn)確地計(jì)算出陰影的形狀和位置，但計(jì)算復(fù)雜，在實(shí)際應(yīng)用中難以實(shí)現(xiàn)[8,9]。本文提出一種基于顏色屬性的陰影去除方法，該方法通過(guò)將顏色屬性與背景差分方法相結(jié)合以實(shí)現(xiàn)去除車輛陰影。該方法主要應(yīng)用了陰影的顏色屬性為黑色的特征，利用顏色屬性將陰影映射成背景，并與背景差分方法相結(jié)合，將兩者進(jìn)行“與”操作以去除陰影。同時(shí)，顏色屬性映射只對(duì)背景差分檢測(cè)到的前景區(qū)域進(jìn)行映射，可以大大減少計(jì)算代價(jià)。本方法在去除較大塊的和較深的陰影具有比較突出的效果。

1　顏色屬性相關(guān)知識(shí)

1.1顏色名概率字典

人們通常使用語(yǔ)言顏色標(biāo)簽去表示世界中的顏色，這些語(yǔ)言顏色標(biāo)簽，即顏色屬性，也稱為顏色名。為了從現(xiàn)實(shí)世界中學(xué)習(xí)各種語(yǔ)言中的顏色名，使用Google圖像搜索技術(shù)建立數(shù)據(jù)集，這樣可以為每種顏色名檢索一定量的圖像，從而避免手動(dòng)為每張圖像貼標(biāo)簽。但是，Google檢索到的圖像有很多錯(cuò)誤的正樣本，因此采用PLSA[10]模型從這個(gè)具有噪聲的圖像數(shù)據(jù)集中學(xué)習(xí)顏色名，以得到每個(gè)空間單元屬于各個(gè)顏色名的概率，形成顏色名概率字典。

假設(shè)，用一組給定的圖片集D={d1,d2,…,dN}表示文檔，一個(gè)確定的空間單元集合W={w1,w2,…,wM}表示詞集合，詞集合用于描述文檔，顏色名Z={z1,z2,…,zk}表示潛在語(yǔ)義的集合。在PLSA中，文檔d中的一個(gè)空間單元w的條件概率可表示為：

(1)

其中，每個(gè)空間單元屬于顏色名的概率p(w|z)可通過(guò)最大期望(EM)算法[10]來(lái)估計(jì)。

(2)

其中，n(d,w)是文檔d中每個(gè)空間單元w出現(xiàn)的頻度。將式(1)代入式(2)可得：

(3)

通過(guò)使用Google檢索的數(shù)據(jù)集訓(xùn)練式(3)以得到每個(gè)空間單元屬于各個(gè)顏色名的概率p(w|z)，形成一個(gè)顏色名概率字典，其大小為M×k。

1.2顏色名RGB值字典

Berlin等[11]對(duì)語(yǔ)言中的基本顏色詞進(jìn)行了研究，發(fā)現(xiàn)使用英國(guó)語(yǔ)言中的11種顏色名(black、blue、brown、green、grey、orange、pink、purple、red、white、yellow)能夠很好地表示現(xiàn)實(shí)世界中的各種顏色。

Weijer等[12]為了減小建立顏色名概率字典的代價(jià)和保證顏色概率名字典的有效性，為11種顏色名建立了一個(gè)32 768(32×32×32)×11的顏色名概率字典。同時(shí)，為了減少計(jì)算的復(fù)雜度，記下每個(gè)字典單元屬于各個(gè)顏色名的概率值最大的那個(gè)顏色名的RGB值，形成一個(gè)1×32 768的顏色名RGB值字典。其構(gòu)造方法如下：

rgb[j]=RGBCNj;

for(i=1:32768)

{

max=0;

index=0;

for(j=1:11)

{

if(A[i,j]>max)

{

max=A[i,j];

index=j;

colorname[i]=rgb[index];

}

}

}

其中，RGBCNj表示11種顏色中第j個(gè)顏色名所對(duì)應(yīng)的RGB值，并存放在rgb數(shù)組中。colorname為顏色名RGB值字典，A為顏色名概率字典,colorname[i]為第i行的A[i,j]最大時(shí)，第j列對(duì)應(yīng)的顏色名的RGB值。

1.3映射方程

根據(jù)三次樣條插值的方法建立映射方程，將每個(gè)像素值RGB映射到P字典中。將原圖像素值映射成對(duì)應(yīng)的顏色名RGB值。其三次樣條插值方程為：

index_im=1+R1/8+32×G1/8+32×32×B1/8

(4)

其中，index_im為顏色名RGB值字典P的列數(shù)，R1、G1和B1分別對(duì)應(yīng)原圖像像素點(diǎn)的R、G和B的值。

其映射效果如圖1所示。

圖1　顏色名映射

實(shí)驗(yàn)中，通過(guò)原圖和映射圖可以發(fā)現(xiàn)，車輛的陰影和車窗顏色較暗的部位全被映射成了黑色，而其他部分則全部映射成了其他顏色名對(duì)應(yīng)的顏色。因此，可以根據(jù)顏色名RGB值字典和映射方程找到陰影區(qū)域和疑似陰影區(qū)域。

2　車輛陰影去除方法

2.1基于顏色屬性的車輛陰影去除算法流程

首先，采用背景差分法對(duì)視頻圖像進(jìn)行前景檢測(cè)，得到前景區(qū)域。在原圖上，對(duì)與背景差分檢測(cè)到的前景區(qū)域的對(duì)應(yīng)區(qū)域進(jìn)行顏色名映射，并對(duì)其進(jìn)行二值化。將二值化圖與背景差分圖再進(jìn)行“與”操作，并進(jìn)行腐蝕、膨脹處理，對(duì)大于一定閾值的前景區(qū)域設(shè)置矩形閉包,去除噪聲區(qū)域。在“與”圖上，設(shè)置對(duì)應(yīng)的矩形閉包，并對(duì)其進(jìn)行先膨脹再連通域填充處理，得到去除陰影后相對(duì)較完整的運(yùn)動(dòng)車輛目標(biāo)。流程如圖2所示。

圖2　基于顏色屬性的車輛陰影去除方法

2.2背景差分

為了減少要處理的區(qū)域范圍，尋找感興趣的區(qū)域，實(shí)驗(yàn)采用基于混合高斯模型的背景差分方法[13]，檢測(cè)出前景區(qū)域。并對(duì)其進(jìn)行二值化，將前景與背景分開。同時(shí)，用a×a大小的單元對(duì)前景區(qū)域進(jìn)行腐蝕操作，a相對(duì)較小。去除車輛邊緣及外部較小的噪聲，同時(shí)必須保證車輛的完整性。其實(shí)驗(yàn)流程如圖3所示。

圖3　前景檢測(cè)流程圖

其對(duì)應(yīng)的核心代碼如下：

BackgroundSubtractorMOD2 bg_model;

//建立混合高斯背景模型

for(;;)

{//運(yùn)動(dòng)目標(biāo)檢測(cè)，更新背景，img為逐幀圖像

bg_model(img,foreground,-1);

//腐蝕，element為結(jié)構(gòu)單元

erode(foreground,foreground,element);

}

其中，BackgroundSubtractorMOD2為來(lái)自O(shè)penCV開放視覺庫(kù)的混合高斯函數(shù)類模型。

2.3映射二值化

對(duì)目標(biāo)檢測(cè)的前景區(qū)域設(shè)置矩形閉包，在視頻幀圖像上設(shè)置對(duì)應(yīng)的矩形閉包區(qū)域；對(duì)該區(qū)域進(jìn)行顏色名映射，并且對(duì)映射后的圖進(jìn)行二值化操作。由于陰影部分被映射成黑色，所以二值化的閾值取0。同時(shí)對(duì)其用b×b大小的單元進(jìn)行腐蝕，以孤立減少噪聲的影響，b相對(duì)較小，避免對(duì)車輛區(qū)域造成過(guò)多腐蝕。其實(shí)驗(yàn)流程如圖4所示。

圖4　映射二值化流程圖

其對(duì)應(yīng)核心代碼如下：

findContours(foreground,contours,hierarchy,CV_RXTERNAL,

CV_CHAIN_APPROX_SIMPLE);

//尋找輪廓

for( i=0;i

//分別對(duì)每個(gè)輪廓區(qū)域進(jìn)行處理

{rect=boundingRect(contours[i]);

//設(shè)置矩形閉包

for(i=0;i

//roi為原圖上與rect相對(duì)應(yīng)的區(qū)域

for(j=0;j

{

index=1+roi.at(i,j)[0]/8+32*(roi.at(i,j)[1]/8)

+32*32*(roi.at(i,j)[2]/8);

//映射方程

//colorname為顏色名RGB值字典

colorR=colorname.at(0,index)[0];

//尋找對(duì)應(yīng)顏色

colorG=colorname.at(0,index)[1];

//名的R、G、

colorB=colorname.at(0,index)[2];

// B值

roi1.at(i,j)[0]=colorR;

roi1.at(i,j)[1]=colorG;

roi1.at(i,j)[1]=colorB;

}

threshold(roi1,roi1,0,255,CV_THRESH_BINARY);

//二值化

}

2.4去除陰影

將映射二值化圖和背景差分圖進(jìn)行“與”操作，去除陰影。但是，在陰影外邊緣會(huì)存在較多的噪聲未去除，所以用c×c的結(jié)構(gòu)單元對(duì)“與”圖進(jìn)行腐蝕操作，進(jìn)一步減少邊緣噪聲；再用d×d大小的結(jié)構(gòu)單元進(jìn)行膨脹，以避免車輛區(qū)域因腐蝕而變得過(guò)小，c大于d。然而，腐蝕、膨脹處理后，可能還會(huì)有一些噪聲未去除。手動(dòng)設(shè)置閾值，根據(jù)各個(gè)前景區(qū)域塊的面積，保留相對(duì)較大的區(qū)域，而去除一些剩下的較小噪聲，并對(duì)大于閾值的區(qū)域設(shè)置矩形閉包,以去除剩下的噪聲。但閾值不宜過(guò)大，若過(guò)大，可能會(huì)導(dǎo)致目標(biāo)有部分區(qū)域丟失，一般在100～200。然后，在“與”圖上設(shè)置對(duì)應(yīng)的矩形閉包，并對(duì)其先用e×e的結(jié)構(gòu)膨脹，其e大于d，以盡可能減少不連通區(qū)域的數(shù)量；再進(jìn)行連通域填充，得到相對(duì)較完整的運(yùn)動(dòng)車輛目標(biāo)。實(shí)驗(yàn)流程如圖5所示。

圖5　去除陰影流程圖

其對(duì)應(yīng)核心代碼如下：

//“與”操作,roi2為背景差分圖上與roi1對(duì)應(yīng)區(qū)域

roi1=roi1&roi2;

roi1.copyTo(roi3);

//保存“與”圖

//腐蝕、膨脹，element1和element2為結(jié)構(gòu)單元

erode(roi1,roi1,element1);dilate(roi1,roi1,element2);

//尋找輪廓

findContours(roi1,contours1,hierarchy1,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);

if(fabs(contourArea(Mat(contours1[i])))>threshod)

//去除噪聲

{

rect1=boundingRect(contours1[i]);

//在roi1區(qū)域上設(shè)置閉包區(qū)域

Mat roi5(roi3,rect1);

//在“與”圖上設(shè)置閉包區(qū)域

//在結(jié)果圖上的閉包區(qū)域內(nèi)設(shè)置對(duì)應(yīng)閉包區(qū)域，roi4為與原圖一樣大小的黑色圖上與rect1對(duì)應(yīng)的區(qū)域

Mat roi6(roi4,rect1);

roi5.copyTo(roi6);

//保存結(jié)果

}

2.5膨脹和腐蝕

定義A和B為二維平面Z2上的集合，集合B平移z后得Bz，若Bz與A相交不為空，所有滿足上述條件的z點(diǎn)組成的集合稱作B對(duì)A的膨脹。被表示為：

A⊕B={z|Bz∩A≠φ}

(5)

定義A和B為二維平面Z2上的集合，集合B平移z后得Bz，若A包含Bz，所有滿足上述條件的z點(diǎn)組成的集合稱作B對(duì)A的腐蝕。被表示為：

AΘB={z|Bz?A}

(6)

3　實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)采用在Intel(R) Core(TM) i5-2320的CPU,4 GB的內(nèi)存，系統(tǒng)為Win 7的計(jì)算機(jī)上進(jìn)行。開發(fā)軟件為VS 2010，并結(jié)合OpenCV 2.4.6開放視覺函數(shù)庫(kù)。實(shí)驗(yàn)圖像數(shù)據(jù)來(lái)自實(shí)際的公安網(wǎng)，大小為447 MB，分辨率為1280×720，色彩為RGB顏色，光照和噪聲為一般情況下的具有較強(qiáng)車輛陰影的一段視頻。首先，為了說(shuō)明基于顏色屬性的方法能夠?qū)④囕v的陰影去除，分析了4輛不同顏色的車輛去除陰影的過(guò)程。其實(shí)驗(yàn)效果如6所示。

圖6　去除陰影的過(guò)程

從圖6可以看出,(a1)、(a2)、(a3)、(a4)是視頻幀圖像中出現(xiàn)的不同車輛，在車輛的尾部均具有較大的陰影；(b1)、(b2)、(b3)、(b4)是不同車輛的背景差分圖，陰影部分均檢測(cè)成了前景；(c1)、(c2)、(c3)、(c4)在背景差分的前景區(qū)上設(shè)置矩形閉包，在原圖上設(shè)置相應(yīng)的矩形閉包區(qū)域，進(jìn)行顏色名映射，得到映射圖。其中，只對(duì)矩形閉包區(qū)域進(jìn)行顏色名映射是為了減少不必要的計(jì)算量。(d1)、(d2)、(d3)、(d4)將映射圖進(jìn)行二值化處理，使陰影部分被二值化為背景。(e1)、(e2)、(e3)、(e4)將映射二值化圖與背景差分圖進(jìn)行“與”操作，去除陰影，但留下較多的噪聲；(f1)、(f2)、(f3)、(f4)對(duì)“與”圖進(jìn)行腐蝕操作，以減少噪聲，同時(shí)對(duì)其進(jìn)行膨脹，以減少目標(biāo)的腐蝕程度；(g1)、(g2)、(g3)、(g4)為在“與”圖上設(shè)置分別與(f1)、(f2)、(f3)、(f4)前景區(qū)域?qū)?yīng)且大于一定閾值的區(qū)域，設(shè)置閾值是為了去除噪聲區(qū)域；(h1)、(h2)、(h3)、(h4)是分別對(duì)(g1)、(g2)、(g3)、(g4)圖進(jìn)行連通域填充得到的車輛目標(biāo)；(i1)、(i2)、(i3)、(i4)是分別對(duì)(g1)、(g2)、(g3)、(g4)圖進(jìn)行先膨脹再連通域填充所得到的車輛目標(biāo)，先膨脹是為了減少不連通區(qū)域的數(shù)目，以保證車輛目標(biāo)的完整性。

同時(shí)，為了證明該方法在視頻中同樣具有有效性，實(shí)驗(yàn)截取視頻中的兩輛車的逐幀視頻和對(duì)應(yīng)的去除陰影后的結(jié)果。其效果如圖7所示。

圖7　實(shí)驗(yàn)結(jié)果

通過(guò)圖7中兩組車輛的若干幀視頻圖像車輛去除陰影的結(jié)果可以看出，車輛的陰影基本上都已經(jīng)被去除，且運(yùn)動(dòng)車輛都相對(duì)較完整。在實(shí)驗(yàn)結(jié)果(1)中，分別對(duì)應(yīng)第791、792、793、795、799幀，車輛的后輪部分沒有完全被處理成前景，主要是因?yàn)檐囕喤c背景顏色過(guò)于接近，有較大部分被檢測(cè)成了背景，但通過(guò)膨脹操作，車輪的很大部分已經(jīng)被處理成前景。在實(shí)驗(yàn)結(jié)果(2)中，分別對(duì)應(yīng)第6167、6169、6178、6180、6183幀，由去陰影的結(jié)果圖可以看出該組結(jié)果相對(duì)較好。實(shí)驗(yàn)證明，該方法在一定場(chǎng)景下，可以很好地去除視頻中車輛的陰影。

由于該方法是基于顏色屬性的，所以對(duì)實(shí)驗(yàn)的主要影響因素是光照和噪聲。當(dāng)光照條件過(guò)低時(shí)，車身某些部位顏色會(huì)變得過(guò)暗，顏色名映射將其映射成黑色，從而被視為背景，使得目標(biāo)的完整性損失較嚴(yán)重。當(dāng)光照條件較弱時(shí)，陰影外邊緣出現(xiàn)的顏色較淺的區(qū)域過(guò)大時(shí)，顏色名映射會(huì)將其映射成其他顏色，而非黑色，從而產(chǎn)生較大的噪聲。當(dāng)噪聲過(guò)大時(shí)，無(wú)法在保證目標(biāo)完整性的前提下，通過(guò)閾值的方法，去除噪聲。當(dāng)光照條件較好時(shí)，去除陰影的效果也會(huì)較好。

4　結(jié)　語(yǔ)

本文針對(duì)視頻車輛的陰影去除問題，提出了一種基于顏色屬性的陰影去除方法。該方法通過(guò)將顏色屬性與背景差分相結(jié)合，利用顏色屬性可以將陰影很好地映射成背景和背景差分法可以將陰影檢測(cè)成前景的不同特點(diǎn)，實(shí)現(xiàn)將車輛陰影去除的目標(biāo)。在視頻車輛的陰影去除實(shí)驗(yàn)中證明，該方法在一定的環(huán)境下能夠有效去除陰影，并且保留了車輛的較完整信息。

其在智能交通系統(tǒng)中具有重大的研究意義，主要應(yīng)用于道路上車速測(cè)量，去除陰影后可以通過(guò)監(jiān)控?cái)z像頭更加精確地測(cè)出車輛的速度，以判斷車輛是否超速行駛；通過(guò)監(jiān)控?cái)z像頭得到圖像，計(jì)算在某一時(shí)段通過(guò)的車輛，去除陰影可以使多輛車因陰影而粘連在一起的現(xiàn)象消除，使車輛計(jì)數(shù)更加精確；去除陰影后可以更精確地計(jì)算出道路上前后車輛之間的距離，以防止車輛過(guò)近，導(dǎo)致車輛追尾事故發(fā)生。

當(dāng)然，該方法也存在一定的局限性，由于顏色屬性是利用陰影部分接近于黑色，故而顏色名映射將其映射成了背景。所以，當(dāng)車輛為黑色車輛時(shí)，陰影被映射成背景，車輛也會(huì)有很大程度被映射成背景，從而無(wú)法保證車輛的完整性；另一方面是，實(shí)驗(yàn)中車輛的車輪部分有一定程度的損失。這兩個(gè)方面有待下一步研究。

[1] 王圣男，郁梅，蔣剛毅.智能交通系統(tǒng)中基于視頻圖像處理的車輛檢測(cè)與跟蹤方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2005,22(9):9-14.

[2] 李斌,史忠科.基于計(jì)算機(jī)視覺的行人檢測(cè)技術(shù)的發(fā)展[J].計(jì)算機(jī)工程與設(shè)計(jì),2005,26(10):2565-2568.

[3] 馮文剛，高雋，Buckles B，等.多顏色空間中目標(biāo)約束的車輛陰影分割研究[J].中國(guó)圖象圖形學(xué)報(bào)，2011,16(9):1599-1606.

[4] 任建強(qiáng).一種自適應(yīng)的運(yùn)動(dòng)目標(biāo)陰影消除新算法[J].計(jì)算機(jī)工程及應(yīng)用，2010,46(36):188-191.

[5] Zhao T,Nevatia R.Tracking multiple humans in complex situations[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2004,26(9):1208-1221.

[6] Hsieh J W,Yu S H,Chen Y S,et al.Automatic traffic surveillance system for vehicle tracking and classification[J].Intelligent Transportation Systems,IEEE Transactions on,2006,7(2):175-187.

[7] 黃英杰,盧湖川.一種改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)和陰影消除算法[J].計(jì)算機(jī)工程,2008,34(6):207-209.

[8] 楊志邦,徐成,周旭,等.一種基于統(tǒng)計(jì)模型的前景陰影消除算法[J].小型微型計(jì)算機(jī)系統(tǒng),2013,34(2):423-428.

[9] Koller D,Daniilidis K,Nagel H H.Model-based object tracking in monocular image sequences of road traffic scenes[J].International Journal of Computer Vision,1993,10(3):257-281.

[10] Hofmann T.Probabilistic latent semantic indexing[C]//Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval.ACM,1999:50-57.

[11] Berlin B,Kay P.Basic color terms:Their universality and evolution[M].University of California Press,1991.

[12] Weijer J V D,Schmid C,Verbeek J,et al.Learning color names for real-world applications[J].Image Processing,IEEE Transactions on,2009,18(7):1512-1523.

[13] 韓劍輝,崔猛強(qiáng),袁耀輝.基于混合高斯模型的背景差分法的 FPGA 實(shí)現(xiàn)[J].哈爾濱理工大學(xué)學(xué)報(bào),2013,18(4):89-93.

VEHICLE SHADOW REMOVAL METHOD BASED ON COLOUR ATTRIBUTE

Xu ShaofeiLiu Zhengyi

(College of Computer Science and Technology,Anhui University,Hefei 230601,Anhui,China)

Colour attributes,i.e.,the language colour labels,can be used to represent all the colours in the world.The colour attribute of shadow in video frames is the black,therefore we propose a colour attribute-based vehicle shadow removal method.We study the colour attributes using probabilistic latent semantics model,establish colour names probability dictionary,and realise colour names mapping on video frames image.After binarisation operation,the black regions representing the shadows are set as the background,and the non-shaded regions are set as the foreground.At the same time,we process “AND” operation on the binarisation graph and background difference graph to remove shadows and then remove the noises on edges outside the shadows.Finally,we deal with the AND graph in operations of dilation first followed by connected domains filling to get the target vehicle without shadows.Experiments show that the method can remove shadows well under certain scenarios,and can get a relatively intact moving vehicle target.

Colour attributesProbabilistic latent semantics analysis modelShadowColour name mapping

2015-04-27。安徽省科技攻關(guān)計(jì)劃科技強(qiáng)警專項(xiàng)資金項(xiàng)目(1301b042020);高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金聯(lián)合課題(20133401110009)。徐少飛，碩士生，主研領(lǐng)域：圖像處理。劉政怡，副教授。

TP317.4

A

10.3969/j.issn.1000-386x.2016.09.048