摘  要： 針對運動目標檢測中陰影的存在會導致目標形狀扭曲、多個目標之間出現(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)生機理的基礎(chǔ)上，根據(jù)各像素點YUV空間上的像素模型，計算出帶有陰影的目標相對于背景的失真系數(shù)，再根據(jù)設(shè)定的閾值區(qū)分出目標的實際輪廓和陰影區(qū)域，從而將目標陰影去除。實驗結(jié)果表明，該方法能夠快速檢測和去除目標陰影，準確反映出目標的實際輪廓，并能夠有效解決目標粘連問題。

　　關(guān)鍵詞： 運動目標檢測；陰影檢測；陰影去除

0 引言

　　隨著計算機視覺技術(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)手段在各種場合得到了廣泛的應(yīng)用。運動目標檢測是智能視頻監(jiān)控系統(tǒng)中視頻圖像處理的第一步，運動目標的快速正確檢測為目標分割、目標跟蹤以及分類和識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，不同強度、不同角度的光源照射在半透明或不透明物體上時，就會產(chǎn)生陰影。由于陰影與物體本身的運動特性相同，所以陰影會被錯誤地檢測為運動物體的一部分。運動目標檢測過程中陰影的存在會導致目標檢測的精確度降低、目標的真實輪廓發(fā)生扭曲、多目標之間出現(xiàn)粘連、目標計數(shù)出錯等問題，給后期處理造成很嚴重的問題。因此，陰影檢測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。

　　陰影檢測主要有基于模型和基于陰影屬性兩種方法。基于模型的方法[2-3]是假設(shè)事先知道目標的幾何形狀，同時知道光源的各項屬性，依據(jù)幾何方法建立模型檢測目標陰影，但這在實際應(yīng)用中存在一定的局限性。基于陰影屬性的方法是直接利用陰影本身特有的屬性，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分離目標和陰影，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行了目標提取，該方法可直接將陰影去除，但運算量大，閾值不易設(shè)定。Kollerd等[6]利用陰影的光學特性，并結(jié)合紋理特征，采用區(qū)域生長的方法來檢測陰影，在運動目標外形紋理特征較為簡單規(guī)范的情況下檢測效果較好。劉洋等[7]通過分析運動目標的色度分布規(guī)律和紋理互相關(guān)性，達到檢測并消除陰影的目的，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]通過分析陰影與背景的HSV彩色空間中的特性，利用陰影與運動目標在H、S、V三個分量中的不同特點，計算其相應(yīng)的閾值，運用該閾值進行分割并消除陰影。付萍等[10]利用色度、飽和度和亮度三方面的信息對陰影進行檢測和識別，能夠檢測出較淡的陰影。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。馬國峰等[12]提出結(jié)合YUV色度和亮度分量來去除陰影的算法。劉清等[13]提出YUV顏色空間和圖論切割算法相結(jié)合的陰影檢測去除方法。

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

1 陰影檢測與去除

　　1.1 陰影分析

　　陰影具有兩個重要的視覺特征：（1）陰影與背景有明顯的區(qū)別；（2）運動目標與其陰影具有相同的運動屬性。因此，目標陰影被錯誤檢測為前景的概率非常大，將運動目標與其陰影分離是實際應(yīng)用系統(tǒng)中必須解決的問題。基于陰影屬性的陰影檢測方法主要是根據(jù)陰影區(qū)像素信息的變化來實現(xiàn)陰影的檢測和去除。

　　視頻圖像的輸出一般為RGB或YUV格式，RGB格式是將紅、綠、藍三原色按不同的比例混合；YUV格式的三個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顏色空間來說只需要占用極少的頻寬。考慮到計算效率和陰影檢測的目的，直接在YUV顏色空間中檢測陰影。在YUV顏色空間檢測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顏色空間檢測陰影的假設(shè)，本文提出的基于視頻圖像的快速陰影檢測去除方法的基本思路是：首先提取像素點的亮度分量，并根據(jù)目標陰影與背景像素亮度的差別賦予亮度分量適當?shù)臋?quán)重；再提取像素點的色度和濃度分量，根據(jù)目標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出陰影。

　　1.2 像素計算模型及陰影去除方法

　　設(shè)圖像中目標像素點F的YUV值為向量EF（EFx，EFy，EFz），陰影像素點I的YUV值為向量EI（EIx，EIy，EIz），圖像中背景像素點B的YUV值為向量EB（EBx，EBy，EBz），在YUV空間中的表示如圖1所示。這三個向量分別描述了圖像背景、圖像目標和圖像目標陰影在亮度、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為目標相對背景的失真系數(shù)，β為目標陰影相對背景的失真系數(shù)。向量EF和EI稱為運動目標向量EM（EMx，EMy，EMz），失真系數(shù)γ和β稱為運動目標失真系數(shù)。在運動目標像素點以及背景像素點的YUV值已知的情況下，可以由下面式（1）計算出運動目標相對于背景的失真系數(shù)θ的值：

　　在實驗中發(fā)現(xiàn)，如果直接使用式（1）計算出的θ值，在像素點亮度值和飽和度較高情況下，檢測結(jié)果精度很高。但是，對于亮度值或飽和度很低的像素點，檢測結(jié)果有很大的誤差。在YUV顏色空間中，陰影檢測時像素點YUV值的三個分量發(fā)揮的作用不完全相同。一方面，由于目標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的色度和濃度分量相同或稍有差別，所以需要適當增大色度和濃度分量的權(quán)重，該權(quán)重值設(shè)為η。考慮到權(quán)重λ和η的影響，可以由下面的式（2）代替式（1）來計算出運動目標相對于背景的失真系數(shù)θ的值：

　　實驗結(jié)果顯示，利用式（2）計算的θ值進行陰影檢測在亮度值或飽和度很低情況下，檢測結(jié)果的精度也很高。

　　運動目標陰影檢測算法的具體步驟如下：

　　（1）輸入YUV格式的視頻圖像幀。

　　（2）根據(jù)YUV空間上的像素計算模型，用式（2）計算出運動目標相對于背景的失真系數(shù)θ。

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

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

2 實驗結(jié)果與分析

　　實驗過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)。陰影檢測算法各個參數(shù)：λ=0.35，η=0.65，Tθ=4。下面從陰影檢測與去除、消除目標粘連兩個方面進行結(jié)果分析。

　　2.1陰影檢測與去除

　　常用的陰影檢測去除方法的步驟是：首先將有運動目標的一幀圖像與視頻圖像的背景幀進行背景差運算，得到運動目標及其陰影的背景差分圖。然后對背景差分圖進行二值化處理，之后進行陰影去除并通過形態(tài)學濾波和區(qū)域填充方法去除背景區(qū)域中的噪聲點和前景目標區(qū)域中的孔洞，最終得到去除目標陰影后的檢測結(jié)果。圖2是利用本文提出的陰影檢測去除算法對拍攝于大學校園內(nèi)的視頻進行檢測的過程。圖2（a）是有運動目標的兩幀圖像，左邊是第10幀包括自行車，右邊是第15幀包括行人，這兩個運動目標都帶有陰影。圖2（b）顯示對（a）中目標及其陰影檢測的結(jié)果，其中黑色區(qū)域為背景部分，白色區(qū)域為實際目標部分，灰色區(qū)域為目標陰影部分。圖2（c）是去除目標陰影后的檢測結(jié)果，可以看出，行人和自行車的陰影被有效地去除。

　　從圖2處理過程可以看出，本文所提出的陰影檢測去除算法能夠在視頻圖像中檢測到運動目標的同時去除陰影，與常用陰影去除方法相比，具有快速簡單的優(yōu)勢。

　　2.2 消除目標粘連

　　當某個目標的陰影與另一個目標距離很接近時，目標檢測算法可能會將兩個目標誤認為一個，導致“目標粘連”，從而使目標計數(shù)出錯。上面所給出的運動目標的陰影去除算法能有效消除目標粘連，真實反映目標的數(shù)量，達到準確檢測目標的效果。圖3是對某段監(jiān)控視頻第523幀的檢測結(jié)果，其中圖3（a）是未使用陰影去除算法的檢測結(jié)果，矩形框標識的兩個車輛（帶有陰影）被誤認為一個目標，導致計數(shù)出錯；圖3（b）是使用陰影去除算法后的檢測結(jié)果，它將帶有陰影的這兩個車輛準確地識別出來，真實反映了道路上的車輛狀況。

3 結(jié)束語

　　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到運動目標并同時去除陰影，簡化了陰影檢測去除過程。實驗結(jié)果表明，該方法不僅能夠有效去除陰影，準確反映目標的實際輪廓，而且能夠有效解決目標粘連問題，從而提高目標計數(shù)的準確性。在實際應(yīng)用中，能夠滿足智能視頻監(jiān)控系統(tǒng)的需求。

參考文獻

　　[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]．計算機應(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]．計算機科學，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．視頻圖像中運動目標的陰影消除法[J]．計算機工程與應(yīng)用，2013，49（6）：201-204．

　　[10] 付萍，方帥，徐心和，等．視頻監(jiān)控系統(tǒng)中運動目標檢測的陰影去除方法[J]．計算機工程，2007，33（10）：22-24．

　　[11] 劉雪，常發(fā)亮，王華杰．運動目標檢測中的陰影去除方法[J]．微處理機，2008，10（5）：116-121．

　　[12] 馬國峰，楊俊紅，周兵.基于YUV顏色空間的視頻運動檢測[J].計算機工程與設(shè)計，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)學報，2010，5（6）：556-560．