吳江波，汪西原

(寧夏大學(xué)物理電氣信息學(xué)院，寧夏銀川750021)

近年來(lái)運(yùn)動(dòng)目標(biāo)檢測(cè)是智能場(chǎng)景監(jiān)控下的一個(gè)重要內(nèi)容，而陰影的去除是精確獲得真實(shí)運(yùn)動(dòng)目標(biāo)的先決條件。文獻(xiàn)［1－3］分別在RGB、HSV、YUV空間對(duì)視頻圖像序列進(jìn)行陰影檢測(cè)，然而當(dāng)運(yùn)動(dòng)前景與對(duì)應(yīng)背景顏色相近時(shí)，基于色彩空間的陰影檢測(cè)算法失效。文獻(xiàn)［4－5］基于陰影不改變覆蓋區(qū)域的梯度紋理特征，利用運(yùn)動(dòng)前景與對(duì)應(yīng)背景區(qū)域的梯度紋理相似性進(jìn)行陰影檢測(cè)，相似性越高、陰影的可能性越大，但對(duì)紋理相近或物體表面紋理不明顯區(qū)域得不到有效的檢測(cè)結(jié)果。由上可知，單一的屬性無(wú)法取得較好的檢測(cè)效果。文獻(xiàn)［6－7］結(jié)合了顏色和紋理信息，對(duì)某一像素點(diǎn)，需要同時(shí)滿足陰影的顏色和紋理特性才將該像素點(diǎn)判定為陰影點(diǎn)。文獻(xiàn)［8］分別為色彩和亮度設(shè)計(jì)了閾值估計(jì)器，采用基于最大似然估計(jì)方法來(lái)統(tǒng)計(jì)計(jì)算陰影檢測(cè)閾值，并利用空間后處理消除誤判點(diǎn)。通過(guò)分析比較，目前陰影檢測(cè)算法中實(shí)現(xiàn)效果較好的大都結(jié)合了紋理信息，文獻(xiàn)［9］利用NCC(歸一化互相關(guān))實(shí)現(xiàn)運(yùn)動(dòng)前景區(qū)域和背景區(qū)域的紋理相似性度量，其采用固定大小的模板，并手工確定判斷閾值;實(shí)際操作中，由于物體表面的紋理有疏有密，固定大小的模板不能針對(duì)不同紋理自適應(yīng)地進(jìn)行調(diào)整。模板過(guò)小，包含的信息量越少，對(duì)局部紋理不明顯的區(qū)域檢測(cè)效果不佳;模板過(guò)大，包含較多的信息量，但由于噪聲的存在，受噪聲干擾的可能性越大。手工選取閾值難度較大，準(zhǔn)確性不高。閾值較小，一部分真實(shí)的運(yùn)動(dòng)目標(biāo)會(huì)被誤檢為陰影;閾值過(guò)大，一部分陰影會(huì)被誤檢為運(yùn)動(dòng)目標(biāo)。針對(duì)上述問(wèn)題，本文對(duì)文獻(xiàn)［9］的NCC算法進(jìn)行了改進(jìn)，使其能夠根據(jù)紋理信息自適應(yīng)地選取合適的估計(jì)閾值和模板大小，并結(jié)合文獻(xiàn)［8］的色彩估計(jì)器，舍去亮度估計(jì)器，取得了較好的效果。

1 陰影檢測(cè)

1.1 基于顏色空間的陰影檢測(cè)

利用顏色特征檢測(cè)陰影是陰影檢測(cè)常用的方法。該方法基于這樣一個(gè)事實(shí):陰影區(qū)域和其對(duì)應(yīng)的背景區(qū)域相比，亮度變暗，而顏色不變［3］。

本文基于RGB顏色模型空間，通過(guò)分別比較前景區(qū)域和其對(duì)應(yīng)的背景區(qū)域R、G、B 三通道的亮度值和歸一化色彩特征不變量進(jìn)行陰影檢測(cè)。

1.1.1 亮度比較

由文獻(xiàn)［3］可知，一般情況下陰影區(qū)域的亮度值要低于對(duì)應(yīng)的背景區(qū)域，即

但是在拍攝視頻過(guò)程中由于噪聲的存在，式(1)并不總是成立。為了減少噪聲的影響，本文將單個(gè)像素特征擴(kuò)展到以其為中心的一個(gè)M×M大小的鄰域內(nèi)，通過(guò)計(jì)算鄰域內(nèi)像素點(diǎn)亮度值的均值代替中心像素點(diǎn)的亮度值。

1.1.2 色彩特征不變量比較

本文引用文獻(xiàn)［8］的方法利用色彩特征不變量進(jìn)行陰影檢測(cè)，定義候選陰影區(qū)域和對(duì)應(yīng)背景區(qū)域的歸一化色彩特征不變量色差表達(dá)式為

式中:K為R，G，B三顏色通道之一;IS和IB分別為候選陰影區(qū)域和對(duì)應(yīng)的背景區(qū)域，為了減少計(jì)算量，用IR(x，y)+IG(x，y)+IB(x，y)表示近似。

對(duì)于運(yùn)動(dòng)前景的每一個(gè)像素點(diǎn)P(x，y)計(jì)算CDK(x，y)，根據(jù)文獻(xiàn)［8］的假設(shè)，陰影區(qū)域像素點(diǎn)的CDK(x，y)服從高斯分布，且均值趨向于0;而真實(shí)運(yùn)動(dòng)目標(biāo)區(qū)域像素點(diǎn)的CDK(x，y)因目標(biāo)顏色分布的差異而不盡相同。因此可以認(rèn)為如果一個(gè)像素點(diǎn)的CDK(x，y)與0相差較遠(yuǎn)，則認(rèn)為該像素點(diǎn)是真實(shí)的運(yùn)動(dòng)目標(biāo)。統(tǒng)計(jì)分析，發(fā)現(xiàn)陰影區(qū)域像素點(diǎn)的CDK(x，y)一般分布在［－0.1，0.1］范圍內(nèi)，故為了提高統(tǒng)計(jì)樣本區(qū)域的估計(jì)精度減少目標(biāo)區(qū)域的干擾，取陰影限制條件為通過(guò)統(tǒng)計(jì)分析，得到自適應(yīng)估計(jì)閾值

式中:K為表征置信度的常數(shù)，取值為 2.58。因此，當(dāng)CDK(x，y)值滿足以下條件時(shí)，判定當(dāng)前像素為陰影像素

1.2 基于局部紋理差異的陰影檢測(cè)

陰影不改變覆蓋區(qū)域的紋理特性［4］，即陰影區(qū)域與對(duì)應(yīng)背景區(qū)域的紋理具有相似性。文獻(xiàn)［9］采用NCC(歸一化互相關(guān))算法對(duì)運(yùn)動(dòng)前景區(qū)域與相應(yīng)背景區(qū)域的紋理進(jìn)行相似性度量。NCC的值越接近1，說(shuō)明前景區(qū)域與對(duì)應(yīng)的背景區(qū)域的紋理越相似，將相應(yīng)的前景判定為陰影的可能性越大。其中，B(x，y)為混合高斯模型得到的背景灰度圖像，C(x，y)為與當(dāng)前背景幀對(duì)應(yīng)的視頻序列幀的灰度圖像，對(duì)于每一個(gè)前景像素P(x，y)，定義一個(gè)以其為中心，半徑為R的矩形模板(2R+1)×(2R+1)。像素點(diǎn)P(x，y)的NCC值計(jì)算如下

其中

當(dāng)NCC(x，y)≥THNCC，P(x，y)被判斷為陰影。

通過(guò)實(shí)驗(yàn)，上述算法存在以下2個(gè)問(wèn)題:1)固定的模板大小:由于物體表面的紋理有疏有密，千差萬(wàn)別，固定大小的模板不能針對(duì)不同紋理自適應(yīng)地進(jìn)行調(diào)整。模板較小，包含的信息量較少，對(duì)表面紋理不明顯的區(qū)域檢測(cè)效果不佳;模板較大，包含的信息量較多，受噪聲干擾的可能性也越大。2)手工選取閾值:手工選取閾值難度較大、準(zhǔn)確性不高，閾值較小，一部分真實(shí)的運(yùn)動(dòng)目標(biāo)會(huì)被誤檢為陰影;閾值過(guò)大，一部分陰影會(huì)被誤檢為運(yùn)動(dòng)目標(biāo)。

為了有效改善上面提及的問(wèn)題，本文提出2點(diǎn)改進(jìn)措施:

1)自適應(yīng)地確定模板大小

算法初始階段本文引進(jìn)了一個(gè)判別區(qū)域紋理疏密的因子?R(方差)。先對(duì)局部區(qū)域的紋理疏密作一個(gè)評(píng)估，根據(jù)評(píng)估的結(jié)果自適應(yīng)的調(diào)整模板大小。首先，分別對(duì)候選陰影區(qū)域和背景區(qū)域計(jì)算模板方差，初始R=1，當(dāng)任意一個(gè)方差大于一定閾值THd，確定測(cè)量模板半徑為R，此時(shí)以R為半徑進(jìn)行紋理相似性度量效果最佳。與固定模板相比，此方法通過(guò)紋理疏密程度自適應(yīng)地選取合適的模板半徑，既能很好地解決固定小模板對(duì)于紋理不明顯區(qū)域檢測(cè)效果不理想的事實(shí)，又能有效改善固定大模板容易受到噪聲干擾的不足。通過(guò)大量實(shí)驗(yàn)得知，模板的半徑不能過(guò)大，一般限制在4 pixel(像素)的范圍內(nèi)。

2)動(dòng)態(tài)確定閾值

對(duì)于陰影區(qū)域，由于和背景具有較強(qiáng)的線性關(guān)系，因此NCC(x，y)是一個(gè)趨近于1的較大值，并集中在一個(gè)較小的區(qū)間內(nèi);而對(duì)于運(yùn)動(dòng)目標(biāo)區(qū)域，由于和背景沒(méi)有相關(guān)性或相關(guān)性較小，因此相應(yīng)的NCC(x，y)較小，且會(huì)在較大區(qū)間內(nèi)變化。由于陰影區(qū)域的NCC(x，y)值分布在一個(gè)很小的范圍內(nèi)，而運(yùn)動(dòng)目標(biāo)區(qū)域的NCC(x，y)值分布范圍較廣。為了使檢測(cè)閾值更加合理，本文采用類(lèi)似于文獻(xiàn)［10］中的動(dòng)態(tài)閾值估計(jì)方法。

同樣，假定陰影區(qū)域的歸一化互相關(guān)值服從高斯分布，即

式中:UNCC為陰影像素點(diǎn)歸一化互相關(guān)的均值，為陰影像素點(diǎn)歸一化互相關(guān)的方差。統(tǒng)計(jì)分析，發(fā)現(xiàn)陰影區(qū)域像素點(diǎn)的NCC(x，y)一般不小于0.93，為了提高統(tǒng)計(jì)樣本區(qū)域的估計(jì)精度減少目標(biāo)區(qū)域的干擾，取陰影限制條件為

則自適應(yīng)動(dòng)態(tài)閾值公式為

式中:K為表征置信度的常數(shù)，取值為2.58。

2 算法流程

1)利用陰影區(qū)域和對(duì)應(yīng)背景區(qū)域像素點(diǎn)的亮度特征及色彩特征不變量，初步確定疑似陰影區(qū)域。

2)結(jié)合改進(jìn)的NCC紋理算法對(duì)初步確定的疑似陰影區(qū)域進(jìn)行紋理相似性度量，進(jìn)一步得到更為準(zhǔn)確的陰影候選區(qū)域。

3)最后利用類(lèi)似于文獻(xiàn)［8］的誤判處理獲得最終的運(yùn)動(dòng)陰影。

3 實(shí)驗(yàn)結(jié)果與分析

算法在MATLAB 2008下運(yùn)行，為了驗(yàn)證本文提出的自適應(yīng)NCC算法的有效性，對(duì)包含陰影的運(yùn)動(dòng)前景只進(jìn)行紋理相似性檢測(cè)，如圖1所示。

由圖1c和圖1d可知，閾值相同，較小的模板造成真實(shí)運(yùn)動(dòng)目標(biāo)被誤檢為陰影的像素點(diǎn)個(gè)數(shù)較多;較大的模板，雖然提高了運(yùn)動(dòng)目標(biāo)的檢測(cè)能力，但由于噪聲的干擾，部分陰影點(diǎn)被誤檢為真實(shí)的運(yùn)動(dòng)目標(biāo)。由圖1c和圖1e可知，模板大小相同，較小的閾值造成真實(shí)的運(yùn)動(dòng)目標(biāo)被誤檢為陰影的像素點(diǎn)個(gè)數(shù)較多，較大的閾值則將部分陰影點(diǎn)誤檢為真實(shí)的運(yùn)動(dòng)目標(biāo);圖1f通過(guò)比較，改進(jìn)的NCC算法在有效降低噪聲干擾的前提下提高了運(yùn)動(dòng)目標(biāo)檢測(cè)率，并有效保留了幾乎所有的陰影點(diǎn)。

圖1 紋理陰影檢測(cè)結(jié)果(截圖)

為了驗(yàn)證本文提出的融合紋理和顏色的運(yùn)動(dòng)陰影檢測(cè)算法的有效性，分別對(duì)室內(nèi)和室外的顯著陰影和非顯著陰影視頻序列做實(shí)驗(yàn)，如圖2和圖3所示。

圖2 Outdoor視頻序列陰影檢測(cè)結(jié)果(截圖)

圖3 Indoor視頻序列陰影檢測(cè)結(jié)果(截圖)

由圖2和圖3可以看出，無(wú)論是室外顯著陰影還是室內(nèi)弱陰影，本文方法都能較為準(zhǔn)確地檢測(cè)到陰影像素。

為了對(duì)本文提出的算法進(jìn)行比較，采用文獻(xiàn)［11］提出的陰影檢測(cè)率η和陰影判別率ζ進(jìn)行效果評(píng)價(jià)。

式中:TPS為陰影像素被正確檢出的數(shù)目，F(xiàn)NS為真實(shí)陰影像素被誤判為運(yùn)動(dòng)前景的數(shù)目，TPF為運(yùn)動(dòng)前景像素被正確檢出的數(shù)目，F(xiàn)NF為真實(shí)運(yùn)動(dòng)前景像素被誤判為陰影的數(shù)目。各種陰影檢測(cè)算法性能比較如表1所示。

表1 各種陰影檢測(cè)算法性能比較 %

由表1可得，無(wú)論在陰影檢測(cè)率還是陰影判別率上，相比文獻(xiàn)［11］提出的算法，本文方法都明顯較高或基本與其持平。

4 結(jié)論

本文提出了一種改進(jìn)的NCC(歸一化互相關(guān))紋理相似性度量算法，并結(jié)合亮度和歸一化顏色特征進(jìn)行陰影檢測(cè)。該算法能夠根據(jù)視頻序列圖像的紋理疏密程度在有效降低噪聲干擾的前提下自適應(yīng)地選擇模板大小，在不同的圖像分辨率下取得最佳檢測(cè)效果;動(dòng)態(tài)估計(jì)確定陰影判別閾值使算法更加具有合理性。另外，本文算法能夠較好地從前景像素中提取陰影區(qū)域，無(wú)需人為干預(yù)。下一步工作，在獲得去除陰影干擾的真實(shí)運(yùn)動(dòng)目標(biāo)后，將重點(diǎn)研究在復(fù)雜環(huán)境下如何對(duì)運(yùn)動(dòng)目標(biāo)實(shí)施實(shí)時(shí)準(zhǔn)確的跟蹤。

［1］應(yīng)卓瑜，邵亮，顧偉康，等.基于二維道路圖像理解算法的陰影檢測(cè)［J］.電視技術(shù)，2004，28(10):78－80.

［2］ MARTELBN，ZACCARINA.Moving castshadow detection from aGaussian mixture shadow model［C］//Proc.Computer Vision and Pattern Recognition.［S.l.］:IEEE Press，2005:643－648.

［3］馮文剛，高雋，BUCKLESB，等.多顏色空間中目標(biāo)約束的車(chē)輛陰影分割研究［J］.中國(guó)圖象圖形學(xué)報(bào)，2011，16(9):1599－1606.

［4］任建強(qiáng).一種自適應(yīng)的運(yùn)動(dòng)目標(biāo)陰影消除新算法［J］.計(jì)算機(jī)工程及應(yīng)用，2010，46(36):188－191.

［5］郝?tīng)N，朱信忠，趙建民，等.基于改進(jìn)型LBP特征的運(yùn)動(dòng)陰影去除算法［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19(5):80－83.

［6］高凱亮，覃團(tuán)發(fā)，陳俊江，等.綜合灰度和紋理特征的運(yùn)動(dòng)陰影檢測(cè)方法［J］.電視技術(shù)，2012，36(7):115－117.

［7］李晗，武奇生.融合顏色相關(guān)性和紋理差異的陰影檢測(cè)方法［J］.計(jì)算機(jī)工程，2011，37(15):146－148.

［8］ YE Jianhua，GAO Tao，ZHANG Jun.Moving object detection with background subtraction and shadow removal［C］//Proc.2012 9th International Conference on Fuzzy Systems and Knowledge Discovery.Chengdu，China:IEEE Press，2012:1859－1863.

［9］ YUAN Chao，YANG Chenhui，XU Zhiming.Simple vehicle detection with shadow removal at intersection［C］//Proc.2010 Second International Conference on Multimedia and Information Technology.Kaifeng，China:IEEE Press，2010:188－191.

［10］陳延濤，熊運(yùn)余，唐飛，等.基于區(qū)域統(tǒng)計(jì)及YUV色度特性的陰影消除［J］.光電子·激光，2009，20(9):1218－1222.

［11］ PRATIA，MIKIC I，TRIVEDIM M，et al.Detectingmoving shadows:algorithms and evaluation［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2003，25(7):918－923.