摘   要： 提出了一種融合線性特征的局部紋理運(yùn)動車輛陰影檢測方法。首先基于連續(xù)幀視頻圖像信息建立初始背景模型；通過背景差法獲取包含陰影的運(yùn)動目標(biāo)區(qū)域，同時依據(jù)該運(yùn)動區(qū)域信息實(shí)時更新背景；結(jié)合亮度信息，利用改進(jìn)局部二值模式的紋理算子描述運(yùn)動區(qū)域紋理，并根據(jù)海明距離進(jìn)行粗分類，快速檢測出運(yùn)動區(qū)域中的陰影覆蓋區(qū)；進(jìn)一步對陰影覆蓋區(qū)域進(jìn)行紋理信息的線性特性判斷，排除車輛自陰影區(qū)域，獲取背景陰影，得到真實(shí)車輛目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該方法提高了陰影和車輛自陰影的檢測準(zhǔn)確度，且速度快，可滿足實(shí)時性要求。
關(guān)鍵詞： 線性特性； LBP紋理； 運(yùn)動車輛； 陰影檢測

    在交通視頻處理中，對運(yùn)動車輛的分割往往包含著運(yùn)動車輛陰影，且運(yùn)動陰影的檢測十分困難，因?yàn)檫\(yùn)動陰影具有兩個重要的視覺特性：一是運(yùn)動陰影和運(yùn)動物體都顯著區(qū)別于背景；二是運(yùn)動陰影與運(yùn)動物體具有相同的運(yùn)動屬性。另外，陰影與車輛可能是粘合在一起的，也可能是分離的。如果陰影與車輛粘合在一起，會使運(yùn)動車輛發(fā)生嚴(yán)重的失真，影響后續(xù)車輛目標(biāo)識別、分析、追蹤等。因此，運(yùn)動陰影檢測已成為近幾年智能交通研究的熱點(diǎn)和難點(diǎn)之一。
    對于陰影的檢測方法大體可分為：模型法、屬性法和紋理法3類[1]。前兩種陰影檢測算法要么需要基于先驗(yàn)知識，計算量大，要么需要從實(shí)驗(yàn)中提取閾值，隨機(jī)性較大，不能同時兼顧實(shí)時性和準(zhǔn)確性。陰影檢測紋理法則是利用無陰影背景紋理和陰影背景紋理相一致的特性。參考文獻(xiàn)[2]分析了光照模型像素點(diǎn)在陰影覆蓋和未被陰影覆蓋時成近似線性關(guān)系的特性，提出了用歸一化互相關(guān)函數(shù)判斷陰影。該方法參數(shù)設(shè)置簡單，但該方法描述紋理較粗糙，且需要對所有前景像素點(diǎn)進(jìn)行判斷，計算量大，實(shí)時性較差[3]。參考文獻(xiàn)[4]提出了一種非常簡單有效的LBP算子來描述紋理，該方法也已應(yīng)用到在陰影檢測方面。張玲等[5]提出了利用局部二值模式(LBP)表征紋理進(jìn)行陰影判斷，但該方法只采用固定閾值的差值判斷，對陰影和背景的邊緣以及交通視頻中車道分割線的檢測效果不佳。胡園園等[6]提出改進(jìn)的增強(qiáng)局部紋理描述算子描述紋理，很好地體現(xiàn)了圖像局部結(jié)構(gòu)的特征，但紋理描述過程計算量大，且只利用紋理特征判斷，容易發(fā)生將覆蓋陰影的車輛(也稱車輛自陰影)誤檢為背景陰影的現(xiàn)象，即偽陰影現(xiàn)象。
    本文針對LBP算子二進(jìn)制串描述紋理過于簡單的問題，提出改進(jìn)描述算子，考慮到基于LBP算子描述的紋理檢測算法引起的偽陰影問題，提出融合線性特征的局部紋理運(yùn)動陰影檢測算法。通過改進(jìn)LBP算子描述像素紋理，根據(jù)紋理信息進(jìn)行海明距離判斷陰影，快速方便地檢測出陰影覆蓋區(qū)域，并對陰影覆蓋區(qū)域通過紋理信息進(jìn)行線性判斷，排除偽陰影區(qū)域，同時避免對所有前景運(yùn)動區(qū)像素點(diǎn)進(jìn)行分析，可提高檢測速度。

 
    通過改進(jìn)LBP算子可快速檢測出陰影覆蓋區(qū)域，但在陰影覆蓋區(qū)中，容易包含車輛自陰影的偽陰影點(diǎn)，可根據(jù)陰影像素點(diǎn)的光照模型線性特性對陰影覆蓋區(qū)域進(jìn)行紋理信息線性判斷，排除偽陰影，同時避免對所有前景目標(biāo)點(diǎn)進(jìn)行分析，提高檢測速度。
    綜上所述，本文背景陰影檢測方法基本思路為：(1)背景生成:根據(jù)初始多幀視頻圖像建立初始背景模型并不斷依據(jù)實(shí)時幀運(yùn)動信息更新背景;(2)前景運(yùn)動目標(biāo)獲取:通過背景差法獲取包含陰影的前景運(yùn)動車輛目標(biāo);(3)背景陰影檢測:采用本文改進(jìn)的LBP算子描述前景像素點(diǎn)的紋理，根據(jù)紋理不變性，利用海明距離分割出陰影覆蓋區(qū)域，并對陰影覆蓋區(qū)域LBP紋理進(jìn)行線性判斷，消除偽陰影，得到背景陰影，以此獲取真實(shí)運(yùn)動車輛目標(biāo)。算法具體步驟如下：

 
3 試驗(yàn)及結(jié)果
    本實(shí)驗(yàn)工具為VC平臺和Matlab,環(huán)境為：Pentium-Dual Core 2.50 GHz CPU, 2.0 GB內(nèi)存。所用的數(shù)據(jù)視頻圖像大小為200×320，鄰域大小為3×3,因此，M=200，N=320，R=1，P=8。經(jīng)過實(shí)驗(yàn)訓(xùn)練學(xué)習(xí)，本文取a=1，b=3，α=0.9，DH=4，Tncc=0.98。選取基于LBP局部紋理的海明距離判斷方法(算法①)以及參考文獻(xiàn)[2]方法(算法②)與本文的方法(算法③)進(jìn)行比較，抓取視頻中2幀圖像(如圖1所示)進(jìn)行實(shí)驗(yàn)分析，檢測比對效果如圖2、圖3所示，算法耗時比對如表1所示。

    從圖2、圖3中可以看出，基于LBP局部紋理的海明距離判斷，陰影效果不錯，但是在前景車輛區(qū)域中產(chǎn)生了較多的偽陰影；參考文獻(xiàn)[2]方法的陰影檢測效果不錯，但也存在偽陰影現(xiàn)象，且該方法需對所有的前景區(qū)域像素點(diǎn)進(jìn)行運(yùn)算判斷，整個過程計算量較大，方法比較耗時；本文的方法在圖像局部紋理判斷的基礎(chǔ)上，對陰影覆蓋區(qū)域部分直接運(yùn)用先前獲得的像素紋理信息進(jìn)行線性判斷，參數(shù)設(shè)置少且簡單，陰影像素點(diǎn)的判斷加強(qiáng)，前景車輛區(qū)域的偽陰影點(diǎn)明顯降低，車輛與背景分割明顯，有較高準(zhǔn)確率，且由表1可知，本文方法速度較快，實(shí)時性較強(qiáng)，可以獲得很好的陰影檢測效果。
參考文獻(xiàn)
[1] ZHAO T, NEVATIA R. Tracking multiple humans in complex situations[J]. IEEE Transactions on Pattern Analysis  and Machine Intelligence, 2004,26(9):1208-1221.
[2] 郭輝. 應(yīng)用歸一化互相關(guān)函數(shù)法進(jìn)行交通視頻陰影檢測[J]. 公路交通技術(shù)，2009(1):126-127,13.
[3] 熊運(yùn)余,曾凡光,周鵬,等. 一種新的多特性聯(lián)合陰影檢測方法[J]. 光電工程, 2009,36(4)：118-122.
[4] OJALA T, PIETIKA INEN M, MAENPAA T. Multiresolution grayscale and rotation invariant texture classification  with local binary patterns [J]. IEEE Transactions on Pattern  Analysis and Machine Intelligence, 2002,24(7):971-986.
[5] 張玲,程義明,謝于明,等. 基于局部二元圖的視頻對象陰影檢測方法[J]. 系統(tǒng)工程與電子技術(shù), 2007,29(6):974-977.
[6] 胡園園,王讓. 基于局部紋理不變性的運(yùn)動陰影去除算法[J]. 計算機(jī)應(yīng)用,2008,28(12):3141-3146.