王珦磊1，唐加山2

　　(1. 南京郵電大學 通信與信息工程學院，江蘇 南京 210003；2. 南京郵電大學 理學院，江蘇 南京 210003)

       摘要：針對視頻內(nèi)容分析中的物體檢測問題，提出一種新的基于YUV顏色空間的陰影消除方法，相比其他基于YUV顏色空間陰影檢測方法，該方法為提高檢測精度，使用自適應的動態(tài)門限。首先，在RGB顏色空間中使用背景差，得到僅包含目標物體及其陰影的圖像。然后在YUV顏色空間中對此圖像的色度進行統(tǒng)計分析，搜索出色度變化緩慢的區(qū)間，再針對每個色度區(qū)間確定對應的亮度區(qū)間，獲得估計門限。最后，利用以上門限檢測并消除陰影。實驗結(jié)果表明，該方法對不同光照情況下的物體陰影都有很好的消除效果。

　　關(guān)鍵詞：陰影檢測；YUV；自適應

0引言

　　在計算機視覺中，檢測運動物體是非常重要的一個部分。運動物體的檢測一般步驟如下：先從視頻幀中鑒定出前景像素，再由前景像素提取出運動物體［1］。然而，運動物體的投影會使檢測算法難以實現(xiàn)，導致前景物體形狀和顏色的失真，對運動物體的提取造成干擾。因此，動態(tài)物體檢測中很重要的一個環(huán)節(jié)是陰影消除。

　　陰影檢測算法一直被廣泛研究，如：基于紋理分析的檢測方法［23］，使用亮度來判斷可能的陰影區(qū)域，再結(jié)合紋理特征將陰影分割出來；基于物理特征的檢測方法［4］，先對陰影像素進行建模，再用這個模型從預選區(qū)域中檢測陰影；基于幾何的檢測方法［5］，根據(jù)光源、物體形狀、地面來預測陰影的大小、形狀和方向；基于色彩空間的檢測方法［6］，選取一個新的色彩空間，與RGB色彩空間相比，它的亮度和色度間區(qū)別更明顯。

　　本文使用基于YUV色彩空間的陰影檢測方法，同時陰影檢測門限的閾值是根據(jù)前景像素的統(tǒng)計結(jié)果估計的，因此算法對不同光照情況下的物體陰影檢測都有很好的魯棒性。

1候選區(qū)域

　　候選區(qū)域是指圖像中包含目標物體及其陰影的部分，一般通過背景差分來獲得。步驟如下：先將前景圖像和背景圖像的RGB分量進行差分，再將差分后的彩色圖像轉(zhuǎn)換成灰度圖像，針對此灰度圖像，設置平均灰度值為閾值，按照該閾值進行劃分，大于該閾值的為候選區(qū)域，小于閾值的視為背景。再多次進行膨脹、腐蝕操作，消除候選區(qū)域中的干擾噪點，具體操作詳見文獻［7］。

2基于YUV色彩空間的陰影模型

　　YUV色彩空間和RGB色彩空間關(guān)系如下［8］：

　　在YUV色彩空間中，像素點的亮度分量y和色度分量u、v相互獨立。投射陰影區(qū)域在YUV色彩空間有如下特征［9］：

　?。?)投射陰影區(qū)域中像素的亮度低于背景像素和物體區(qū)域像素的亮度。

　?。?)投射陰影區(qū)域中像素的色度與背景像素色度相比幾乎相等。

　　根據(jù)以上結(jié)論，確定陰影像素的算法如下：

　　針對每個候選區(qū)域的像素，將符合如下式（1）條件的像素點判斷為陰影像素點，其中yF和yB分別指前景和背景的y分量，vF和vB分別指前景和背景的v分量，yMin、yMax、vMin、vMax分別指對應的上下限門限值。

　　下文將對閾值估計給出詳細步驟。

3閾值分析

　　3.1陰影區(qū)域特征分析

　　為研究閾值與候選區(qū)域的統(tǒng)計關(guān)系，選取如圖1所示

　　圖1輸入圖像及其預處理的前景圖像圖1(a)和背景圖像圖1(b)。先進行背景差分，獲得候選區(qū)域的前景圖像圖1(c)和背景圖像圖1(d)，對陰影進行手動劃分得到陰影區(qū)域的前景圖像圖1(e)和背景圖像圖1(f)。

　　將前景圖像(e)中每個像素點的亮度yF和色度vF，與背景圖像(f)中的亮度yB和色度vB進行差分，得到差值Δy、Δv。亮度差和色度差分布如圖2(a)，其中橫軸是Δy，縱軸是Δv。忽略干擾噪點，對密集區(qū)域進行分析，密集區(qū)域圖2(b)顯示像素點的亮度差Δv分布不均勻，集中在若干個中值上，并且不同的中值對應色度差Δy分布范圍也不相同。因此可以將陰影區(qū)域的Δy-Δv分布看作是若干個分布塊的集合，如圖2(c)。

　　3.2根據(jù)候選區(qū)域確定閾值

　　本節(jié)將通過候選區(qū)域的統(tǒng)計特性估計出上文中每個分布塊的閾值。

　　3.2.1確定色度差Δv的閾值

　　將候選區(qū)域前景圖像圖1(c)和背景圖像圖1(d)的色度分量v相差，差值Δv進行排序，得到圖3(a)，圖3(b)標出了其中的平緩部分。對比陰影區(qū)域分布圖2(c)和圖3(b)，被標注的區(qū)域在縱軸上的范圍近似一致，圖3(b)上的平緩部分表明在該范圍上有大量像素點Δv分布趨于一致，符合陰影區(qū)域的特征。

　　3.2.2確定亮度差Δy的閾值

　　針對圖3(b)中每個平緩區(qū)域，從候選區(qū)域中搜索對應像素點，獲取每個像素點亮度差Δy，再進行排序，圖4(a)是候選區(qū)域中符合條件Δv∈［4.731 7, 5.288 6］的像素點的Δy排序后的分布圖，標出平緩區(qū)域如圖4(b)，對比陰影區(qū)域分布圖2(c)，平緩區(qū)域的Δy區(qū)間與陰影像素圖4候選區(qū)域亮度差分布的區(qū)間相吻合。

　　3.3驗證特征普遍性

　　為驗證以上特征的普遍性，使用另一組實驗圖像進行圖6自適應陰影消除算法流程圖閾值分析，輸入圖像如圖5,圖5(a)是前景圖像，圖5(b)是背景圖像，圖5(c)表示候選區(qū)域，圖5(d)是陰影區(qū)域的Δy-Δv分布圖。分析候選區(qū)域，結(jié)果如下：圖5(e)是候選區(qū)域Δv排序后的分布圖，該分布圖平緩區(qū)域與圖5(d)中的密集區(qū)域非常吻合。將候選區(qū)域中符合條件Δv∈［-0.325,0.430］的像素點的Δy值進行排序，得到圖5(f)，圖5(f)平緩區(qū)域的Δy范圍是［0,30.82］，也與陰影分布圖5(d)相吻合。

4自適應陰影消除算法

　　根據(jù)上節(jié)的分析結(jié)果，設計算法如下：先獲得候選區(qū)域，算法步驟見第1節(jié)，然后將候選區(qū)域的前景圖像和背景圖像從RGB色彩空間轉(zhuǎn)換到Y(jié)UV色彩空間，再做背景差，獲得亮度差矩陣ΔY和色度差矩陣ΔV。

　　陰影區(qū)域的色度差Δv一般在［0,10］范圍內(nèi)，?。?5,20］作為考察范圍，實際試驗中，超出該范圍的陰影點很少，可以忽略。對候選區(qū)域內(nèi)所有屬于［-5,20］區(qū)間的色度差Δv排序，搜索出其中變化較小的區(qū)域，本文算法使用條件(2)進行判斷，Δv(i)是排序后第i個色度差Δv，N是符合條件Δv∈［-5,20］的像素點個數(shù)，a和b是常數(shù)，通過多次取值調(diào)試后確定a=0.001，b=0.003 5。

　　Δv(i)－Δv(i－a×N)<b×(Δv(N)－Δv(1))(2)

　　針對每一個Δv區(qū)間，從候選區(qū)域中搜索出符合條件的像素點，再對這些像素點的亮度差Δy進行排序，與獲取Δv區(qū)間類似，搜索出所有變化較小的區(qū)域，每個Δv區(qū)間可能會對應多個Δy區(qū)間。將所有搜索出的Δy-Δv區(qū)間作為估計門限。

　　依據(jù)上文得到的估計門限進行陰影檢測，實現(xiàn)多閾值的陰影消除。圖6為算法流程圖。

5實驗結(jié)果和分析

　　實驗用的部分數(shù)據(jù)來自圖像處理數(shù)據(jù)庫，還有一部分是在實驗室中拍攝得到的。算法是在微軟Windows平臺下，使用matlab編寫的。以下圖7是使用本文算法的輸出結(jié)果。

6結(jié)論

　　本文采用一種基于YUV顏色空間的自適應陰影消除算法，該算法對陰影的門限進行動態(tài)估計。實驗結(jié)果表明，該算法對不同光照情況下的圖像都能有效地檢測和消除陰影，具有良好的魯棒性。

參考文獻

　?。?］ 劉國棟,范九倫.彩色視頻運動目標

　　自適應在線聚類提取算法［J］.電子技術(shù)應用,2014,40(5):132135.

　　［2］ LEONE A, DISTANTE C. Shadow detection for moving objects based on texture analysis［J］. Pattern Recognit, 2007, 40, (4): 12221233.

　?。?］ 朱敏琛,王偉智.融合線性特征的局部紋理運動車輛陰影檢測［J］.微型機與應用,2013,32(14):4446,50.

　?。?］ NADIMI S, BHANU B. Physical models for moving shadow and object detection in video［J］. IEEE Trans. Pattern Anal. Mach. Intell, 2004, 26,(8): 10791087.

　?。?］ ZHANG W, FANG X Z, XU Y. Detection of moving cast shadows using image orthogonal transform［C］. In Proc. IEEE Int. Conf. Pattern Recognition, 2006:626629.

　　［6］ CHEN C T, SU C Y, KAO W C. An enhanced segmentation on visionbased shadow removal for vehicle detection［J］. Int. Conf. Green Circuits and Systems, 2010: 679682. ［7］ 鄧亞麗,毋立芳,李云騰. 一種有效的圖像陰影自動去除算法［J］. 信號處理， 2011(11): 17241728.

　　［8］ ENNEHAR B C, BRAHIM O, HICHAN T. An appropriate color space to improve human skin detection［J］. INFOCOMP Journal of Computer Science, 2011, 10(1): 1827.

　?。?］ FUNG G S K, YUNG N H C, PANG G K H, et al. Towards detection of moving cast shadows for visual traffic surveillance［C］. Systems, Man, and Cybernetics, 2001 IEEE International Conference, 2001:25052510.