摘  要： 針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)中陰影的存在會(huì)導(dǎo)致目標(biāo)形狀扭曲、多個(gè)目標(biāo)之間出現(xiàn)粘連等問題，提出一種基于視頻圖像的陰影去除方法。該方法在分析陰影產(chǎn)生機(jī)理的基礎(chǔ)上，根據(jù)各像素點(diǎn)YUV空間上的像素模型，計(jì)算出帶有陰影的目標(biāo)相對(duì)于背景的失真系數(shù)，再根據(jù)設(shè)定的閾值區(qū)分出目標(biāo)的實(shí)際輪廓和陰影區(qū)域，從而將目標(biāo)陰影去除。實(shí)驗(yàn)結(jié)果表明，該方法能夠快速檢測(cè)和去除目標(biāo)陰影，準(zhǔn)確反映出目標(biāo)的實(shí)際輪廓，并能夠有效解決目標(biāo)粘連問題。

　　關(guān)鍵詞： 運(yùn)動(dòng)目標(biāo)檢測(cè)；陰影檢測(cè)；陰影去除

0 引言

　　隨著計(jì)算機(jī)視覺技術(shù)、電子技術(shù)、通信技術(shù)的發(fā)展，智能視頻監(jiān)控系統(tǒng)作為一種重要的安全防衛(wèi)手段在各種場(chǎng)合得到了廣泛的應(yīng)用。運(yùn)動(dòng)目標(biāo)檢測(cè)是智能視頻監(jiān)控系統(tǒng)中視頻圖像處理的第一步，運(yùn)動(dòng)目標(biāo)的快速正確檢測(cè)為目標(biāo)分割、目標(biāo)跟蹤以及分類和識(shí)別等后期處理提供良好條件[1]。然而，視頻圖像受光照因素的影響比較大，不同強(qiáng)度、不同角度的光源照射在半透明或不透明物體上時(shí)，就會(huì)產(chǎn)生陰影。由于陰影與物體本身的運(yùn)動(dòng)特性相同，所以陰影會(huì)被錯(cuò)誤地檢測(cè)為運(yùn)動(dòng)物體的一部分。運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中陰影的存在會(huì)導(dǎo)致目標(biāo)檢測(cè)的精確度降低、目標(biāo)的真實(shí)輪廓發(fā)生扭曲、多目標(biāo)之間出現(xiàn)粘連、目標(biāo)計(jì)數(shù)出錯(cuò)等問題，給后期處理造成很嚴(yán)重的問題。因此，陰影檢測(cè)與去除是智能視頻監(jiān)控系統(tǒng)中亟待解決的關(guān)鍵性問題。

　　陰影檢測(cè)主要有基于模型和基于陰影屬性兩種方法?；谀Ｐ偷姆椒╗2-3]是假設(shè)事先知道目標(biāo)的幾何形狀，同時(shí)知道光源的各項(xiàng)屬性，依據(jù)幾何方法建立模型檢測(cè)目標(biāo)陰影，但這在實(shí)際應(yīng)用中存在一定的局限性?；陉幱皩傩缘姆椒ㄊ侵苯永藐幱氨旧硖赜械膶傩?，比如邊緣信息、陰影的亮度、紋理信息、不同的顏色空間等特征來(lái)分離目標(biāo)和陰影，它比基于模型的方法具有更廣泛的適用性。Angie WKS等[4]提出了用邊界信息去除交通視頻中陰影的方法。Hoang M A等[5]根據(jù)陰影不改變背景的紋理這一特性，利用基于紋理的方法進(jìn)行了目標(biāo)提取，該方法可直接將陰影去除，但運(yùn)算量大，閾值不易設(shè)定。Kollerd等[6]利用陰影的光學(xué)特性，并結(jié)合紋理特征，采用區(qū)域生長(zhǎng)的方法來(lái)檢測(cè)陰影，在運(yùn)動(dòng)目標(biāo)外形紋理特征較為簡(jiǎn)單規(guī)范的情況下檢測(cè)效果較好。劉洋等[7]通過(guò)分析運(yùn)動(dòng)目標(biāo)的色度分布規(guī)律和紋理互相關(guān)性，達(dá)到檢測(cè)并消除陰影的目的，但在亮度低而飽和度高的情況下不適用。Cucchiara[8]利用HSV空間去除陰影，其主要原理是HSV顏色空間清晰地將顏色分為色度和亮度。張霞[9]通過(guò)分析陰影與背景的HSV彩色空間中的特性，利用陰影與運(yùn)動(dòng)目標(biāo)在H、S、V三個(gè)分量中的不同特點(diǎn)，計(jì)算其相應(yīng)的閾值，運(yùn)用該閾值進(jìn)行分割并消除陰影。付萍等[10]利用色度、飽和度和亮度三方面的信息對(duì)陰影進(jìn)行檢測(cè)和識(shí)別，能夠檢測(cè)出較淡的陰影。劉雪等[11]提出基于YUV顏色空間色度畸變和一階梯度模型的陰影去除算法。馬國(guó)峰等[12]提出結(jié)合YUV色度和亮度分量來(lái)去除陰影的算法。劉清等[13]提出YUV顏色空間和圖論切割算法相結(jié)合的陰影檢測(cè)去除方法。

　　以上各種方法在各自設(shè)定的條件下都會(huì)有相應(yīng)效果，它們的基本思路是先檢測(cè)出運(yùn)動(dòng)區(qū)域，之后從運(yùn)動(dòng)區(qū)域中檢測(cè)出陰影，最后消除陰影得到最終的運(yùn)動(dòng)目標(biāo)。本文提出一種基于視頻圖像的陰影檢測(cè)去除方法，能夠在視頻圖像中檢測(cè)到運(yùn)動(dòng)目標(biāo)的同時(shí)去除陰影。該方法采用YUV顏色空間，根據(jù)各像素點(diǎn)YUV空間上的像素模型，計(jì)算出帶有陰影的目標(biāo)相對(duì)于背景的失真系數(shù)，通過(guò)該系數(shù)檢測(cè)出陰影區(qū)域并將其去除。

1 陰影檢測(cè)與去除

　　1.1 陰影分析

　　陰影具有兩個(gè)重要的視覺特征：（1）陰影與背景有明顯的區(qū)別；（2）運(yùn)動(dòng)目標(biāo)與其陰影具有相同的運(yùn)動(dòng)屬性。因此，目標(biāo)陰影被錯(cuò)誤檢測(cè)為前景的概率非常大，將運(yùn)動(dòng)目標(biāo)與其陰影分離是實(shí)際應(yīng)用系統(tǒng)中必須解決的問題。基于陰影屬性的陰影檢測(cè)方法主要是根據(jù)陰影區(qū)像素信息的變化來(lái)實(shí)現(xiàn)陰影的檢測(cè)和去除。

　　視頻圖像的輸出一般為RGB或YUV格式，RGB格式是將紅、綠、藍(lán)三原色按不同的比例混合；YUV格式的三個(gè)分量分別描述了圖像的亮度、色度和濃度信息。YUV顏色空間已經(jīng)將亮度分量和色度分量區(qū)分開，相比RGB顏色空間來(lái)說(shuō)只需要占用極少的頻寬。考慮到計(jì)算效率和陰影檢測(cè)的目的，直接在YUV顏色空間中檢測(cè)陰影。在YUV顏色空間檢測(cè)陰影一般基于如下假設(shè)[13]：（1）投射陰影的亮度低于背景的亮度；（2）投射陰影的色度和背景的色度相同，或只是稍微改變。

　　根據(jù)陰影的視覺特征以及YUV顏色空間檢測(cè)陰影的假設(shè)，本文提出的基于視頻圖像的快速陰影檢測(cè)去除方法的基本思路是：首先提取像素點(diǎn)的亮度分量，并根據(jù)目標(biāo)陰影與背景像素亮度的差別賦予亮度分量適當(dāng)?shù)臋?quán)重；再提取像素點(diǎn)的色度和濃度分量，根據(jù)目標(biāo)陰影與背景像素的色度和濃度分量相同或稍有差別的特性檢測(cè)出陰影。

　　1.2 像素計(jì)算模型及陰影去除方法

　　設(shè)圖像中目標(biāo)像素點(diǎn)F的YUV值為向量EF（EFx，EFy，EFz），陰影像素點(diǎn)I的YUV值為向量EI（EIx，EIy，EIz），圖像中背景像素點(diǎn)B的YUV值為向量EB（EBx，EBy，EBz），在YUV空間中的表示如圖1所示。這三個(gè)向量分別描述了圖像背景、圖像目標(biāo)和圖像目標(biāo)陰影在亮度、色度和濃度三方面的信息。

　　在圖1中，γ為向量EB和EF的夾角，β為向量EB和EI的夾角，稱γ為目標(biāo)相對(duì)背景的失真系數(shù)，β為目標(biāo)陰影相對(duì)背景的失真系數(shù)。向量EF和EI稱為運(yùn)動(dòng)目標(biāo)向量EM（EMx，EMy，EMz），失真系數(shù)γ和β稱為運(yùn)動(dòng)目標(biāo)失真系數(shù)。在運(yùn)動(dòng)目標(biāo)像素點(diǎn)以及背景像素點(diǎn)的YUV值已知的情況下，可以由下面式（1）計(jì)算出運(yùn)動(dòng)目標(biāo)相對(duì)于背景的失真系數(shù)θ的值：

　　在實(shí)驗(yàn)中發(fā)現(xiàn)，如果直接使用式（1）計(jì)算出的θ值，在像素點(diǎn)亮度值和飽和度較高情況下，檢測(cè)結(jié)果精度很高。但是，對(duì)于亮度值或飽和度很低的像素點(diǎn)，檢測(cè)結(jié)果有很大的誤差。在YUV顏色空間中，陰影檢測(cè)時(shí)像素點(diǎn)YUV值的三個(gè)分量發(fā)揮的作用不完全相同。一方面，由于目標(biāo)與陰影部分的亮度差別較大，所以需要根據(jù)亮度差別的大小適當(dāng)減小亮度分量的權(quán)重，該權(quán)重值設(shè)為λ；另一方面，由于陰影和背景像素點(diǎn)的色度和濃度分量相同或稍有差別，所以需要適當(dāng)增大色度和濃度分量的權(quán)重，該權(quán)重值設(shè)為η?？紤]到權(quán)重λ和η的影響，可以由下面的式（2）代替式（1）來(lái)計(jì)算出運(yùn)動(dòng)目標(biāo)相對(duì)于背景的失真系數(shù)θ的值：

　　實(shí)驗(yàn)結(jié)果顯示，利用式（2）計(jì)算的θ值進(jìn)行陰影檢測(cè)在亮度值或飽和度很低情況下，檢測(cè)結(jié)果的精度也很高。

　　運(yùn)動(dòng)目標(biāo)陰影檢測(cè)算法的具體步驟如下：

　　（1）輸入YUV格式的視頻圖像幀。

　?。?）根據(jù)YUV空間上的像素計(jì)算模型，用式（2）計(jì)算出運(yùn)動(dòng)目標(biāo)相對(duì)于背景的失真系數(shù)θ。

　　（3）如果θ大于給定閾值Tθ，則判定其為實(shí)際目標(biāo)部分；否則，判定該部分屬于陰影區(qū)域。

　　其中，Tθ的取值與目標(biāo)相對(duì)背景失真系數(shù)γ以及目標(biāo)陰影相對(duì)背景的失真系數(shù)β相關(guān)。

2 實(shí)驗(yàn)結(jié)果與分析

　　實(shí)驗(yàn)過(guò)程中所使用視頻圖像幀的分辨率為640×480和320×240，真彩色格式。運(yùn)行環(huán)境為：Intel?誖CoreTM Duo CPU T6600@2.20 GHz，2 GB RAM，Windows XP操作系統(tǒng)。陰影檢測(cè)算法各個(gè)參數(shù)：λ=0.35，η=0.65，Tθ=4。下面從陰影檢測(cè)與去除、消除目標(biāo)粘連兩個(gè)方面進(jìn)行結(jié)果分析。

　　2.1陰影檢測(cè)與去除

　　常用的陰影檢測(cè)去除方法的步驟是：首先將有運(yùn)動(dòng)目標(biāo)的一幀圖像與視頻圖像的背景幀進(jìn)行背景差運(yùn)算，得到運(yùn)動(dòng)目標(biāo)及其陰影的背景差分圖。然后對(duì)背景差分圖進(jìn)行二值化處理，之后進(jìn)行陰影去除并通過(guò)形態(tài)學(xué)濾波和區(qū)域填充方法去除背景區(qū)域中的噪聲點(diǎn)和前景目標(biāo)區(qū)域中的孔洞，最終得到去除目標(biāo)陰影后的檢測(cè)結(jié)果。圖2是利用本文提出的陰影檢測(cè)去除算法對(duì)拍攝于大學(xué)校園內(nèi)的視頻進(jìn)行檢測(cè)的過(guò)程。圖2（a）是有運(yùn)動(dòng)目標(biāo)的兩幀圖像，左邊是第10幀包括自行車，右邊是第15幀包括行人，這兩個(gè)運(yùn)動(dòng)目標(biāo)都帶有陰影。圖2（b）顯示對(duì)（a）中目標(biāo)及其陰影檢測(cè)的結(jié)果，其中黑色區(qū)域?yàn)楸尘安糠郑咨珔^(qū)域?yàn)閷?shí)際目標(biāo)部分，灰色區(qū)域?yàn)槟繕?biāo)陰影部分。圖2（c）是去除目標(biāo)陰影后的檢測(cè)結(jié)果，可以看出，行人和自行車的陰影被有效地去除。

　　從圖2處理過(guò)程可以看出，本文所提出的陰影檢測(cè)去除算法能夠在視頻圖像中檢測(cè)到運(yùn)動(dòng)目標(biāo)的同時(shí)去除陰影，與常用陰影去除方法相比，具有快速簡(jiǎn)單的優(yōu)勢(shì)。

　　2.2 消除目標(biāo)粘連

　　當(dāng)某個(gè)目標(biāo)的陰影與另一個(gè)目標(biāo)距離很接近時(shí)，目標(biāo)檢測(cè)算法可能會(huì)將兩個(gè)目標(biāo)誤認(rèn)為一個(gè)，導(dǎo)致“目標(biāo)粘連”，從而使目標(biāo)計(jì)數(shù)出錯(cuò)。上面所給出的運(yùn)動(dòng)目標(biāo)的陰影去除算法能有效消除目標(biāo)粘連，真實(shí)反映目標(biāo)的數(shù)量，達(dá)到準(zhǔn)確檢測(cè)目標(biāo)的效果。圖3是對(duì)某段監(jiān)控視頻第523幀的檢測(cè)結(jié)果，其中圖3（a）是未使用陰影去除算法的檢測(cè)結(jié)果，矩形框標(biāo)識(shí)的兩個(gè)車輛（帶有陰影）被誤認(rèn)為一個(gè)目標(biāo)，導(dǎo)致計(jì)數(shù)出錯(cuò)；圖3（b）是使用陰影去除算法后的檢測(cè)結(jié)果，它將帶有陰影的這兩個(gè)車輛準(zhǔn)確地識(shí)別出來(lái)，真實(shí)反映了道路上的車輛狀況。

3 結(jié)束語(yǔ)

　　本文提出了一種在YUV顏色空間中基于視頻圖像的陰影去除方法，能夠在視頻圖像中檢測(cè)到運(yùn)動(dòng)目標(biāo)并同時(shí)去除陰影，簡(jiǎn)化了陰影檢測(cè)去除過(guò)程。實(shí)驗(yàn)結(jié)果表明，該方法不僅能夠有效去除陰影，準(zhǔn)確反映目標(biāo)的實(shí)際輪廓，而且能夠有效解決目標(biāo)粘連問題，從而提高目標(biāo)計(jì)數(shù)的準(zhǔn)確性。在實(shí)際應(yīng)用中，能夠滿足智能視頻監(jiān)控系統(tǒng)的需求。

參考文獻(xiàn)

　　[1] 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(jì)算機(jī)應(yīng)用，2013，33（1）：31-34．

　　[2] HORPRASERT T， HARWOOD D， DAVIS L S． A statistical approach for real-time robust background subtraction and shadow detection[C]． In： Proceedings of IEEE ICCV′ 99 Frame-Rate Workshop， Corfu， Greece，1999：1-19.

　　[3] THIRION J B. Realistic 3D simulation of shapes and shadows for image processing[J]. Graphical Models and Image Processing， 1992，54（1）：82-90．

　　[4] ANGIE W K S， WONG K K Y， CHUNG R H Y， et al. Shadow detection for vehicles by locating the object shadow boundary[C]. In： The Seventh IASTED International Conference on Signal and Image Processing （SIP 2005），2005：15-17.

　　[5] HOANG M A， GEUSEBROEK J M. Corlor texture measurement and segmentation[J]. Signal Processing， 2005， 85 （2）：265-275.

　　[6] KOLLERD D， DANILIDIS K， NAGEL H H. Model-based object tracking in monocular image sequences of road traffic scenes[J]. Computer Vision， 1993，10（3）：257-281.

　　[7] 劉洋，李玉山，張大樸．基于色度畸變和紋理特征的陰影消除方法[J]．計(jì)算機(jī)科學(xué)，2005，32（9）：211-214．

　　[8] CUCCHIARA R， GRANA C， PICCARDI M， et al. Detecting moving objects， ghosts and shadows in video streams[J]. IEEE Trans. On Pattern Analysis and Machine Intelligence， 2008，25（10）：1337-1342.

　　[9] 張霞．視頻圖像中運(yùn)動(dòng)目標(biāo)的陰影消除法[J]．計(jì)算機(jī)工程與應(yīng)用，2013，49（6）：201-204．

　　[10] 付萍，方帥，徐心和，等．視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)檢測(cè)的陰影去除方法[J]．計(jì)算機(jī)工程，2007，33（10）：22-24．

　　[11] 劉雪，常發(fā)亮，王華杰．運(yùn)動(dòng)目標(biāo)檢測(cè)中的陰影去除方法[J]．微處理機(jī)，2008，10（5）：116-121．

　　[12] 馬國(guó)峰，楊俊紅，周兵.基于YUV顏色空間的視頻運(yùn)動(dòng)檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（4）：3700-3702.

　　[13] 劉清，秦秀麗，文松柏，等．YUV顏色空間和圖論切割的陰影去除算法[J]．智能系統(tǒng)學(xué)報(bào)，2010，5（6）：556-560．