摘 要： 提出了一種融合線性特征的局部紋理運動車輛陰影檢測方法。首先基于連續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動目標區域，同時依據該運動區域信息實時更新背景；結合亮度信息，利用改進局部二值模式的紋理算子描述運動區域紋理，并根據海明距離進行粗分類，快速檢測出運動區域中的陰影覆蓋區；進一步對陰影覆蓋區域進行紋理信息的線性特性判斷，排除車輛自陰影區域，獲取背景陰影，得到真實車輛目標。實驗結果表明，該方法提高了陰影和車輛自陰影的檢測準確度，且速度快，可滿足實時性要求。
關鍵詞： 線性特性； LBP紋理； 運動車輛； 陰影檢測
在交通視頻處理中，對運動車輛的分割往往包含著運動車輛陰影，且運動陰影的檢測十分困難，因為運動陰影具有兩個重要的視覺特性：一是運動陰影和運動物體都顯著區別于背景；二是運動陰影與運動物體具有相同的運動屬性。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，會使運動車輛發生嚴重的失真，影響后續車輛目標識別、分析、追蹤等。因此，運動陰影檢測已成為近幾年智能交通研究的熱點和難點之一。
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知識，計算量大，要么需要從實驗中提取閾值，隨機性較大，不能同時兼顧實時性和準確性。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[2]分析了光照模型像素點在陰影覆蓋和未被陰影覆蓋時成近似線性關系的特性，提出了用歸一化互相關函數判斷陰影。該方法參數設置簡單，但該方法描述紋理較粗糙，且需要對所有前景像素點進行判斷，計算量大，實時性較差[3]。參考文獻[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]提出改進的增強局部紋理描述算子描述紋理，很好地體現了圖像局部結構的特征，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象，即偽陰影現象。
本文針對LBP算子二進制串描述紋理過于簡單的問題，提出改進描述算子，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動陰影檢測算法。通過改進LBP算子描述像素紋理，根據紋理信息進行海明距離判斷陰影，快速方便地檢測出陰影覆蓋區域，并對陰影覆蓋區域通過紋理信息進行線性判斷，排除偽陰影區域，同時避免對所有前景運動區像素點進行分析，可提高檢測速度。
通過改進LBP算子可快速檢測出陰影覆蓋區域，但在陰影覆蓋區中，容易包含車輛自陰影的偽陰影點，可根據陰影像素點的光照模型線性特性對陰影覆蓋區域進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點進行分析，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:根據初始多幀視頻圖像建立初始背景模型并不斷依據實時幀運動信息更新背景;(2)前景運動目標獲取:通過背景差法獲取包含陰影的前景運動車輛目標;(3)背景陰影檢測:采用本文改進的LBP算子描述前景像素點的紋理，根據紋理不變性，利用海明距離分割出陰影覆蓋區域，并對陰影覆蓋區域LBP紋理進行線性判斷，消除偽陰影，得到背景陰影，以此獲取真實運動車輛目標。算法具體步驟如下：
3 試驗及結果
本實驗工具為VC平臺和Matlab,環境為：Pentium-Dual Core 2.50 GHz CPU, 2.0 GB內存。所用的數據視頻圖像大小為200×320，鄰域大小為3×3,因此，M=200，N=320，R=1，P=8。經過實驗訓練學習，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[2]方法(算法②)與本文的方法(算法③)進行比較，抓取視頻中2幀圖像(如圖1所示)進行實驗分析，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，但是在前景車輛區域中產生了較多的偽陰影；參考文獻[2]方法的陰影檢測效果不錯，但也存在偽陰影現象，且該方法需對所有的前景區域像素點進行運算判斷，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上，對陰影覆蓋區域部分直接運用先前獲得的像素紋理信息進行線性判斷，參數設置少且簡單，陰影像素點的判斷加強，前景車輛區域的偽陰影點明顯降低，車輛與背景分割明顯，有較高準確率，且由表1可知，本文方法速度較快，實時性較強，可以獲得很好的陰影檢測效果。
參考文獻
[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. 應用歸一化互相關函數法進行交通視頻陰影檢測[J]. 公路交通技術，2009(1):126-127,13.
[3] 熊運余,曾凡光,周鵬,等. 一種新的多特性聯合陰影檢測方法[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]. 系統工程與電子技術, 2007,29(6):974-977.
[6] 胡園園,王讓. 基于局部紋理不變性的運動陰影去除算法[J]. 計算機應用,2008,28(12):3141-3146.