摘  要： 針對陰影C1C2C3彩色不變性檢測法時間開銷大的缺陷，提出了改進的D1D2D3模型陰影檢測法，減少了算法的時間復雜度；針對陰影LBP紋理不變性檢測法在圖像紋理不明顯時所存在的誤檢現(xiàn)象，提出了改進的LPTD算子，提高了算法的準確率。進一步將上述兩種改進方法進行有效融合，提出了一種陰影消除新算法，采用SUSAN算子去除陰影強邊緣，有效解決了強光給陰影檢測帶來的誤差，再通過形態(tài)學處理，消除了圖像內(nèi)部孔洞和噪聲。實驗結(jié)果表明，新算法的陰影消除效果更為理想。
關(guān)鍵詞： 彩色不變性；紋理不變性；陰影消除；SUSAN

　在計算機智能目標檢測與跟蹤領(lǐng)域中，由于光照影響，陰影與目標有著相同的運動屬性和光照強度變化，常常被誤認為運動目標，造成目標幾何尺寸的改變以及多個目標的并連等[1]，因此消除陰影成為一個不可避免的問題。在視頻檢測過程中，陰影伴隨運動目標對光線的遮擋而產(chǎn)生[2]。目前，國內(nèi)外已有大量的檢測算法用于消除陰影，主要有顏色特征法和紋理相關(guān)法。顏色特征法根據(jù)陰影點的顏色屬性判別陰影點和目標點。參考文獻[3]通過分析陰影覆蓋前后R、G、B 3個分量的變化建立陰影統(tǒng)計模型，但無法解決相互遮擋的問題。參考文獻[4]采用HSV顏色空間提取弱閾值目標，但具有一定的局限性。參考文獻[5]融合HSI和C1C2C3模型特點進行陰影去除，但是準確率不高。紋理相關(guān)法依據(jù)陰影覆蓋前后紋理不變的特性區(qū)分陰影和目標，然而它經(jīng)常要比較和計算每個像素及其鄰域像素的紋理值，速度緩慢。本文綜合考慮了陰影消除算法的時間復雜度和準確率，提出了基于彩色與紋理不變性的運動陰影消除新算法。
1 彩色不變性的陰影檢測
1.1 C1C2C3模型
　C1C2C3空間是所有彩色不變空間檢測陰影效果最好的模型[6]，它是根據(jù)陰影覆蓋前后，機器視覺系統(tǒng)利用的彩色參數(shù)模型仍然維持目標識別的能力[7]。C1C2C3空間模型定義為：

　從圖1、圖2可以看出，采用C1C2C3模型消除陰影和采用D1D2D3模型消除陰影，實驗效果圖基本一致，即消除陰影的準確率不變，但是從表1兩種算法用時對比中可知，采用D1D2D3模型消除陰影所耗費的時間少于C1C2C3模型，符合前面所述的理論。因此，在綜合考慮陰影消除效果（準確率）和時間開銷的基礎(chǔ)上，本文提出的D1D2D3模型優(yōu)于傳統(tǒng)的C1C2C3模型。
2 紋理不變性的陰影檢測
2.1 LBP陰影消除法
　LBP算子是最常用的紋理描述子，具有灰度單調(diào)變換和旋轉(zhuǎn)不變性[8]，它通過比較掩膜的中心像素值和周圍一定半徑的鄰域像素值，得到一組二值化的0、1編碼，并結(jié)合權(quán)重矩陣計算其LBP值。

　從圖3、圖4可以看出，采用LPTD模型消除陰影的效果顯然優(yōu)于傳統(tǒng)的LBP算子，LPTD模型法所檢測出的目標邊界更清晰，對陰影的誤檢率更低，克服了D1D2D3模型消除陰影的不足。從表2兩種算法用時對比中可以看出，采用LPTD模型消除陰影所耗費的時間與LBP基本持平。因此，在綜合考慮陰影消除效果（準確率）和時間復雜度的基礎(chǔ)上，本文提出的LPTD模型優(yōu)于傳統(tǒng)的LBP模型。
3 本文提出的陰影消除新算法
　如前所述，本文提出了兩種陰影消除的改進算法，雖然基于彩色特征的D1D2D3陰影消除法能較好地保持目標圖像的豐富信息，但可能導致邊緣細節(jié)信息比較豐富的圖像部分像素漏檢；而基于紋理特征的LPTD陰影消除法，雖然能較好地保持圖像邊緣，但是如果圖像部分區(qū)域的目標內(nèi)部與背景紋理差異很小，這些像素點則容易被誤認為是陰影點。為了使新算法更通用，對不同圖像消除陰影效果更好，進一步提出了集兩種算法優(yōu)勢的消除運動影像陰影的新算法，具體流程圖如圖5所示。

3.4 形態(tài)學處理
　經(jīng)過SUSAN處理后的圖像檢測效果較理想，去除了圖像由于強光作用導致的陰影邊緣，使得圖像檢測效果更佳。然而，圖像內(nèi)部仍然存在部分孔洞，因此需要用形態(tài)學算子來處理，本文主要采用膨脹和腐蝕算子。
4 實驗結(jié)果
　實驗采集視頻分辨率均為320×240，依次用室外強光、室外弱光和室內(nèi)弱光3種場景分別演示本文算法的陰影消除過程，室外（強/弱光）場景選取慢速目標人和快速目標車進行仿真實驗，室內(nèi)場景選取慢速目標人進行仿真實驗，如圖6所示，并與C1C2C3和LBP算法進行實驗比較，結(jié)果如圖7所示。

　根據(jù)實驗可知，本文算法（如圖6（h）所示）顯然優(yōu)于D1D2D3模型（如圖6（d）所示）和LPTD模型（如圖6（e）所示）；又從前面第2小節(jié)可知，D1D2D2模型優(yōu)于C1C2C3模型，LPTD模型優(yōu)于LBP模型，由遞推　關(guān)系可知，本文算法優(yōu)于傳統(tǒng)的C1C2C3模型和LBP模型。
　為了定量評判陰影消除的效果，本文引用陰影消除成功率[10]進行量化衡量：

　根據(jù)實驗對比圖7和表3可知，本文算法能有效消除室外（強/弱光）、室內(nèi)（弱光）場景下的陰影，其陰影消除平均成功率高于傳統(tǒng)的C1C2C3彩色不變模型和LBP紋理不變模型，即本文算法消除陰影的準確率較高；再由表4可知，本文算法的時間開銷低于C1C2C3模型和LBP模型，具有較好的實時性。
　基于C1C2C3空間彩色不變性，本文提出了改進的D1D2D3模型的陰影檢測法，彌補了C1C2C3模型在時間復雜度上的缺陷；基于LBP算子紋理不變性，本文提出了改進的LPTD算子，解決了不明顯圖像紋理檢測時所存在的誤檢現(xiàn)象；進一步將以上改進的兩種方法以相“或”運算進行有效融合，并采用SUSAN算子去除室外強光導致的陰影強邊緣，有效解決了強光給陰影檢測產(chǎn)生的誤差，最后通過形態(tài)學處理填補孔洞并消除噪聲。實驗結(jié)果表明，無論是在室外還是在室內(nèi)，本文提出的陰影消除新算法較實用，準確率較高，實時性較好，在視頻監(jiān)控及交通檢測等領(lǐng)域具有較高的工程應用價值。
參考文獻
[1] Ren Jianqiang. Novel adaptive algorithm of shadow elimination for video moving objects[J]. Computer Engineering and Applications， 2010，46（36）：188-191.
[2] 黃思明.交通視頻圖像中的車輛提取分類方法研究[D].福建：福州大學數(shù)學與計算機科學，2011.
[3] 楊丹，余孟澤.車輛視頻檢測及陰影去除[J].計算機工程與設(shè)計，2011，32（6）：2072-2074
[4] 李科偉，楊曉敏，何小海，等.基于弱閾值分割的運動人體陰影去除[J].計算機工程，2012，38（5）：173-175.
[5] Sun Bangyu， Li Shutao. Moving cast shadow detection of vehicle using combined color models[C]. IEEE Chinese Conference on Pattern Recogrition（CCPR），2010：1-5.
[6] FORCZMANSKI P， SEWERYN M. Surveillance video stream analysis using adaptive background model and object recognition[J]. Computer Vision and Graphics， Lecture Notes in Computer Science， 2010，6374：114–121.
[7] 周家香，朱建軍，張紅亞.基于C1C2C3彩色不變特征的陰影檢測與輻射恢復研究[J].工程勘察，2007（6）：52-54.
[8] 郝燦，朱信忠，趙建民，等.基于改進型LBP特征的運動陰影去除算法[J].計算機系統(tǒng)應用，2010，19（5）：80-82.
[9] 鐘順虹，何建農(nóng).基于自適應雙閾值的SUSAN算法[J].計算機工程，2012，38（3）：206-208.
[10] 陳錫，陳喆.亮點、顏色和梯度結(jié)合的陰影消除算法[C].2010年通信理論與信號處理學術(shù)年會論文集，2010：556-561.