李浩亮，水清河，范文兵，楊瀟楠

(鄭州大學(xué) 信 息工程學(xué)院，河南 鄭 州450001)

0 引言

運動車輛檢測的目的是為了把運動車輛從背景圖像中提取出來，為后續(xù)的跟蹤及行為理解做重要的基礎(chǔ)工作.由于車輛檢測系統(tǒng)的大多數(shù)視頻傳感器都在露天環(huán)境下工作，光照陰影會隨著運動車輛采集到視頻序列中.現(xiàn)有的陰影去除方法大致可以分為三種.①基于陰影模型的方法，此方法主要是利用視頻場景、運動車輛、光照條件等先驗信息，建立陰影模型，通過模型來判定每個像素是否屬于陰影區(qū)域，此方法需要較豐富的先驗信息，有很大的局限性，且運算復(fù)雜［1］.②基于紋理的方法，通過提取前景區(qū)域和背景對應(yīng)區(qū)域的紋理特征，對其相似性進(jìn)行判斷.對于陰影較深、紋理特征不明顯的情況，此方法效果不佳［2］.③基于HSV特性的方法，主要利用陰影的色度不同來判別陰影區(qū)域［3］，但是對于陰影與車輛色度相近的視頻序列，檢測效果不理想.

針對上述方法中存在的問題，筆者提出一種基于LOG邊緣檢測的陰影去除方法，首先用混合高斯模型對視頻圖像建模提取背景，檢測出前景車輛，結(jié)合形態(tài)學(xué)運算方法［4］，通過兩次不同方法的邊緣提取來去除車輛陰影，最后的實驗結(jié)果表明，該方法對特征豐富的車輛適用性較強，并且不受車輛與陰影色度特性相近以及陰影區(qū)域紋理特性不明顯的影響，能有效地去除陰影.

1 混合高斯模型

首先把某點在一段時間內(nèi)的值設(shè)為一個像素集{X1，……，Xi}={I(xo，y0，i);1 ≤ i≤ t}，由該像素建立由K個高斯分布模型組成的高斯混合模型［5］

式中:wi，t是第 i個高斯分布在時刻 t的權(quán)值;是指第 i個高斯分布在時刻 t的平均值;η是高斯概率密度函數(shù);是協(xié)方差;n表示Xt的維數(shù).K一般取3～5，K個高斯分布按優(yōu)先級 pi，t=wi，t/σi，t從高到底進(jìn)行排列，為方便計算，協(xié)方差可近似于

當(dāng)某一幀新圖像進(jìn)入時，用新的像素值Xt與K個高斯分布匹配，匹配條件為dσi，t，若都不匹配，用新的高斯分布代替最小優(yōu)先級高斯分布［6］，若與第K個高斯分布匹配，則對各高斯分布進(jìn)行更新，方法如下

式中:α是平均值和標(biāo)準(zhǔn)差更新參數(shù)，也是模型學(xué)習(xí)率;β為權(quán)值更新率.

據(jù)模型更新方法可知具有較大權(quán)值和較小協(xié)方差的高斯分布可能是圖像背景.由于模型中K各高斯分布按優(yōu)先級從大到小排列，設(shè)定閾值T選取M個高斯分布作為背景，選取規(guī)則為M=

2 LOG邊緣檢測算子

LOG算子(Laplace of Gaussian)源自Marr提出的視覺理論中邊緣提取思想.用LOG算子提取圖像邊緣［7］過程分三步:①采用二位高斯低通濾波器對輸入圖像信號平滑濾波;②用二維拉普拉斯算子進(jìn)行圖像增強操作;③利用二階導(dǎo)數(shù)中的零交叉點檢測邊緣.

對于二維的圖像信號，需要使用高斯函數(shù)進(jìn)行平滑處理，即用高斯函數(shù)G(x，y，σ)和原始圖像f(x，y)做卷積，以消除空間尺度小于尺度因子σ的變化，得到平滑后的圖像

然后用拉普拉斯算子∠2獲得平滑后圖像的二階方向?qū)?shù)

通過求取γ(x，y)的零交叉點的軌跡即為圖像的邊緣.

3 基于邊緣檢測的運動車輛陰影去除算法

3.1 算法流程

本算法主要分為兩個部分，首先使用混合高斯模型進(jìn)行背景建模提取視頻序列的背景，用當(dāng)前幀減去背景圖像，提取運動車輛前景，然后使用LOG邊緣算子分別對前景圖像和經(jīng)過閾值分割后的前景圖像進(jìn)行邊緣提取.對兩次提取后的前景圖像進(jìn)行異或操作，最后對所得圖像膨脹，得到最終陰影去除結(jié)果.算法流程如圖1所示.

1 算法流程圖Fig.1 A lgorithm flow chart

3.2 快速高斯背景建模

針對混合高斯運算復(fù)雜、背景重構(gòu)速度慢的缺點，筆者使用動態(tài)的學(xué)習(xí)率α和權(quán)值更新率ρ，在初始的前N幀圖像采用如下更新方法

式中:N為定值;α'為高斯模型的原始學(xué)習(xí)率;t為流過的視頻幀數(shù);Mt為匹配次數(shù).初始階段，采用較大的學(xué)習(xí)率α和權(quán)值更新率ρ，迅速構(gòu)建出背景圖像，隨著幀數(shù)增加，α變?yōu)樵紝W(xué)習(xí)率α'，ρ漸漸穩(wěn)定，背景模型趨于穩(wěn)定，這樣就能夠快速準(zhǔn)確地建立背景模型.

3.3 去除空洞和孤立點

筆者采用形態(tài)學(xué)閉合操作和中值濾波去除空洞和孤立點，首先通過構(gòu)建一個4×4的結(jié)構(gòu)元素B對經(jīng)過背景減法所得的前景像素集A進(jìn)行閉操作，A·B=(A⊕B)B，圖像經(jīng)過閉運算之后，可以將目標(biāo)內(nèi)部的空洞在基本保持原目標(biāo)大小與形態(tài)的同時進(jìn)行了連接和填充.中值濾波把圖像像素序列中某一點的值，用該鄰域中各點值的中值來代替，中值濾波對圖像噪聲的抑制效果好，可以有效地去除孤立點，同時能有效地保護(hù)邊緣清晰度，文中采用默認(rèn)的3×3鄰域范圍.

3.4 改進(jìn)的LOG邊緣檢測

對二維圖像信號平滑濾波的過程時，函數(shù)的平滑度是由尺度因子σ來決定的，不同空間尺度因子對應(yīng)不同的LOG算子，σ取值太小會得到太多的邊緣信息，引入很多噪聲，σ取值過大時，雖然能抑制噪聲，但是圖像邊緣細(xì)節(jié)也被消除了，檢測效果不理想.

為了保證邊緣提取的準(zhǔn)確度，并且抑制噪聲，本算法用4個不同的尺度因子分別對二維圖像信息進(jìn)行平滑操作，每個尺度因子對應(yīng)不同模版，經(jīng)過證明，卷積因子的模版寬度≥8.5σ時，曲線包含99.7% 的能量面積，故筆者選取模版寬度≥8.5σ.選取的尺度因子對應(yīng)的模版尺寸如表1.

表1 不同σ所對應(yīng)的模版尺寸Tab.1 Tem p late sizes corresponded by differentσ

然后分別用這4個邊緣算子進(jìn)行邊緣檢測，求四次檢測出的邊緣的二值化圖像，并求其對應(yīng)點的灰度絕對值和

其中:

設(shè)定閾值M，對灰度值大于M的認(rèn)定為邊緣，小于M的認(rèn)定為噪聲，這樣不僅抑制了噪聲，也能保證圖像邊緣檢測的準(zhǔn)確率.

4 試驗結(jié)果

為了驗證算法的有效性，筆者選取實驗視頻highwayII_raw.avi與文獻(xiàn)［3］中所屬算法做了對比，筆者實驗條件為:Inter(R)Core(TM)i5-2430 2.4 GHz CPU，2 GB 內(nèi)存，Matlab R2010a平臺下編程實現(xiàn)，實驗參數(shù)設(shè)定為:K=5，α=β=0.01，N=100，前景閾值 T=0.85，閾值 M=255.圖2為視頻的第115幀圖像檢測結(jié)果.

該視頻是在光照強度比較大的條件下拍攝，陰影區(qū)域顏色較深，不能根據(jù)陰影區(qū)域的紋理特性來消除車輛陰影，而且如圖2(c)所示，由于光照強度和拍攝距離的影響，使得此視頻前景圖像轉(zhuǎn)換到HSV顏色空間后特性區(qū)別不明顯，使用文獻(xiàn)［3］中所述基于HSV顏色空間的方法容易把前景也誤檢測為陰影，從圖2(g)與(h)對比中可以看出，應(yīng)用本文算法后，能夠有效的去除陰影區(qū)域.

圖2 實驗結(jié)果仿真圖Fig.2 Simulation result figure

為了進(jìn)一步評估文中算法的性能，筆者采用前景檢測率ξ和陰影檢測率τ兩個參數(shù)［8］

式中:HPF為檢測正確的車輛像素點;HNF表示被錯誤的檢測為陰影的車輛像素點;HPS為正確的陰影像素點;HNS為錯誤的判定為前景車輛的像素點.首先對待檢測視頻序列進(jìn)行手動分割提取參考模版，然后與經(jīng)本文算法檢測到的結(jié)果進(jìn)行對比，從表2中可以看出，筆者算法的前景檢測率和陰影檢測率都要高于文獻(xiàn)［3］中基于HSV顏色空間的陰影去除算法.

表2 算法對比結(jié)果Tab.2 The results of algorithm com parisom

5 結(jié)論

針對常用的基于HSV顏色空間特性去除陰影算法不能很好的檢測前景車輛和陰影特性相近的情況，筆者提出了一種基于LOG邊緣檢測算法的車輛陰影去除方法.運用目標(biāo)車輛與陰影區(qū)域的物理特性去除陰影，并在算法中加入形態(tài)學(xué)閉合和中值濾波操作，去除噪聲，增加了算法的準(zhǔn)確性，該方法對邊緣特征信息越豐富的車輛檢測率越高.另外實驗采用改進(jìn)的混合高斯建模方法，加快了背景重構(gòu)的運算速度，節(jié)約了整個算法的運行時間.實驗表明，該算法能快速有效地去除車輛陰影.

［1］ 楊志邦，徐成，周旭，等.一種基于統(tǒng)計模型的前景陰影消除算法［J］.小型微型計算機系統(tǒng)，2013，34(2):423-428.

［2］ 張玲，程義民，葛仕明，等.基于紋理的運動陰影檢測方法［J］.光電工程，2008，35(1):80-84.

［3］ 林慶，徐柱，王士同，等.HSV自適應(yīng)混合高斯模型的運動目標(biāo)檢測［J］.計算機科學(xué)，2010，37(10):254-256.

［4］ 張震，李丹丹.自適應(yīng)雙閾值的運動目標(biāo)檢測算法［J］. 鄭州大學(xué)學(xué)報:工學(xué)版.2013，34(6):15-19.

［5］ STAUFFER C，GRIMSONW.Learning patterns of activity using real-time tracking［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):747-757.

［6］ SCHINDLER K，WANG Han-zi.Smooth forgroundbackground segmentation for video processing［J］.Lecture Notes in Computer Science，2006(3852):581-590.

［7］ 楊東華，李久賢.Marr邊緣檢測算法的研究［J］.中國圖像圖形學(xué)報，2006，11(6):823-826.

［8］ PRATI A，MIkic TRIVEDI MM，et al.Detecting moving shadows:Alogorithms and evaluation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(7):971-987.