基于颜色不变性和高斯模型的阴影检测方法

摘要

一种计算机视觉领域的基于颜色不变性和高斯模型的阴影检测方法，包括如下步骤：步骤一，根据颜色的相近性对前景区域进行划分，由于阴影的强度小于背景，因此在区域的划分中只对强度小于背景的前景进行划分；步骤二，根据阴影的光谱特性选取样点，建立阴影高斯模型，阴影光谱特性包括：颜色不变性、比背景具有较低的强度和较高的蓝色比率，并利用阴影的高斯模型判定像素点是否为阴影，当同一区域的像素点一半及以上的像素都被判定为阴影时，该区域被判定为阴影区域；步骤三，获得阴影检测的最初结果后，再根据阴影的空间特性识别阴影区域的边界点属于阴影还是属于噪声。本发明降低了误检率，提高了检测速率，并可以检测出可见阴影和不可见阴影。

说明书

技术领域

本发明涉及的是一种计算机视觉技术领域的方法，具体是一种基于颜色不变性和高斯模型的阴影检测方法。

背景技术

智能视频监控系统在交通监控，酒店监控等系统中都有应用。而在智能视频监控系统中，运动物体的检测与分割是应用视觉研究领域的一个重要课题。在视频处理系统中，从背景分割出来的前景，包含以下四种子区域：实际的目标运动物体、目标运动物体的可见阴影区域、目标运动物体的不可见阴影区域、噪声区域。目标运动物体的阴影区域的产生，是由于太阳的光线被目标运动物体阻挡。运动目标的阴影因为和运动目标具有相同的运动特征，因此在运动目标的检测中无法消除。而阴影中的投影部分将改变检测到的运动目标的形状和大小，引起运动目标的错误分类或动作识别，所以为了能够正确的描述运动目标，就要对阴影进行检测和消除。而其他的一些噪声，可能由于光线的亮度变化，目标运动物体的镜面反射等原因造成，也会影响目标运动物体的检测。他们可能使得检测出的目标运动物体的几何形状变形，或者相邻的目标运动物体被连接起来，判断成一个目标运动物体，造成误检。而视频中的树叶摇晃，系统噪声等也可能造成误检。因此在视频监控系统中，检测和消除阴影以及噪声，有着非常重要的作用，而阴影的检测与消除，是重点和难点。

目前，阴影的检测方法主要分为基于模型或者基于特征两种。基于模型的方法利用场景、照明和目标的几何特征构建模型，当目标的形状、视角、光照方向已知的时候，基于模型的方法可以得到精确的阴影信息，但是此类方法局限性大、适用性较差。另一方面，基于特征的方法，利用阴影和背景的光谱特征进行阴影检测，此类方法也具有一定的局限性，比如当阴影的颜色比较深的时候，利用色度不变性就无法检测出阴影，而由于一些颜色的对应灰度值是相同的，致使单纯利用灰度值进行阴影检测的方法失效。

经对现有技术的文献检索发现，Kunfeng Wang等在2007年IEEE智能运输系统会议(Intelligent Transportation Systems Conference)上发表的“MovingObject Refining in Traffic Monitoring Applications”(在交通监控系统中应用中提取运动目标)，该文中提出的基于统计分析特性的阴影处理方法，具体方法为：根据阴影的特性选取样点，建立高斯模型，主要特性包括，比背景具有较低的强度和较高的蓝色比率等。其不足在于：在建立高斯模型的时候，选取样点工作不够细致，没有考虑阴影的可见和不可见问题。在阴影的可见和不可见两种情况下，阴影的选取方法应当是不同的。

发明内容

本发明针对上述现有技术的不足，提出了一种基于颜色不变性和高斯模型的阴影检测方法，采用划分相似区域的方法，降低了误检率，也采用了利用颜色的不变性与建立阴影的高斯模型相结合的方法，使得基于特征的阴影处理方法的正确率提高。本发明中的阴影检测方法，主要是指在视频画面提取的前景的基础上，将前景中的阴影像素点检测出来，前景去除阴影像素点之后的图像就是需要得到的目标运动物体。

本发明是通过如下技术方案实现的，本发明包括如下步骤：

步骤一，根据颜色的相近性对前景区域进行划分，由于阴影的强度小于背景，因此在区域的划分中只对强度小于背景的前景进行划分；

步骤二，根据阴影的光谱特性选取样点，建立阴影的高斯模型，阴影的光谱特性包括：颜色不变性、比背景具有较低的强度和较高的蓝色比率等，并利用阴影的高斯模型判定像素点是否为阴影，当同一区域的像素点一半及以上的像素都被判定为阴影时，该区域被判定为阴影区域；

步骤三，获得阴影检测的最初结果后，再根据阴影的空间特性识别阴影区域的边界点属于阴影还是属于噪声，以降低误检率，提高检测的准确度。

所述根据颜色的相近性对前景区域进行划分，具体为：采用像素点的RGB的关系的方法进行判断，如果两个像素点的RGB值的差与和的绝对值的比小于根据实验设定的阈值，则判断两个像素点属于同一区域。

所述建立阴影的高斯模型，包括如下具体步骤：

第一步，根据阴影与背景相比具有较低的强度的特性来选取样点，当前景像素点的RGB值和强度值小于该像素点在背景中的值时，该像素点选取为样点；

第二步，根据阴影与背景相比具有较高的蓝色的饱和度的特性来选取样点，当前景像素点的蓝色饱和度高于该像素点在背景中的值时，该像素点选取为样点；

第三步，根据利用阴影的颜色不变性的特性来选取样点，由于可见阴影与不可见阴影对于不同的颜色参数敏感性不同，首先根据阴影与背景相比的变化大小识别阴影是属于可见阴影还是不可见阴影，识别阴影的可见性后再选取颜色不变性参数，当为不可见阴影时，选取CbCr为颜色不变性参数，为可见阴影时，则选取归一化的rgb为颜色不变性参数，并根据选取的颜色不变性参数选取满足条件∑|C_i-C_bi|<ξ的样点，式中：C_i根据颜色不变性参数的不同而进行设定，C_bi为对应像素点在背景图像中的值，ξ的值根据实验数据设定；

第四步，将同时满足第一步到第三步条件的样点作为建立阴影高斯模型的样点，因阴影的光谱特性与运动目标无关，阴影像素点的RGB值成高斯模型分布，通过比较阴影的样点在RGB色彩空间中每个颜色的颜色直方图，建立阴影的高斯模型。

所述利用阴影的高斯模型判定像素点是否为阴影，具体为：将步骤一中划分的每一个区域的中的每一个像素点的值，利用阴影的高斯模型进行判定，如果满足：|v-μ|≤2σ，则判定该像素点为阴影，其中，v代表在RGB色彩空间中该像素点的取值，μ是指平均值，σ²是指方差，在同一区域中，如果超过半数的像素点判定为阴影，则该区域判定为阴影区域，它所包含的所有像素点都判定为阴影，否则该区域判定为运动目标。

所述识别阴影为可见阴影还是不可见阴影，具体为：在灰度空间中，不可见阴影的灰度值与背景相比的变化要小于可见阴影的灰度值变化，根据此特性来判断阴影是可见阴影还是不可见阴影，具体如下：首先将像素点的前景灰度值与背景的灰度值相减，然后将差值与2个阈值进行比较，阈值的大小根据实验数据分析获得，其中一个阈值大于另一个阈值，将图像中差值大于较大的阈值的像素点的总数与差值大于较小的阈值的像素点的总数相比，如果比值大于根据实验设定的阈值，则判定为可见阴影，否则为不可见阴影。

所述根据阴影的空间特性识别阴影区域的边界点属于阴影还是属于噪声，具体为：当与某一边界点相邻的点超过半数以上被判定为阴影时，将该边界点也判定为阴影，如果边界点相邻的像素点仅有少量被判定为阴影，则判断该边界点为图像的噪声，不属于阴影。由于在同一区域的像素点往往属于同一个物体，而区域的边界及内部也会属于同一个物体，因此最后利用阴影的空间特性对图像进行后处理，完成对阴影的检测工作。

与现有技术相比，本发明具有如下有益效果：

1、本发明采用了划分相似区域的方法，降低了误检率，同时提高了检测速率，如果同一区域中已有半数以上的像素点都判定为阴影或都不判定为阴影，则无需再判定该区域的其它像素点；

2、本发明采用了利用颜色的不变性与建立阴影的高斯模型相结合的方法，使得可见阴影和不可见阴影都可以准确的检测出来，检测效果比较理想。

附图说明

图1是本发明的实施例中对两组视频图像进行阴影检测的效果图，

其中，(a)、(d)是原始视频图像，(b)、(e)是提取出的前景图像，(c)、(f)阴影检测的效果图，检测出的阴影部分用白色表示。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例包括如下步骤：

步骤一，根据颜色的相近性对前景区域进行划分，如果两个像素点的RGB值的差与和的绝对值的比小于一定的阈值，则判断两个像素点属于同一区域，具体如下：

其中，p₁、p₂表示图像中相邻的两个像素点，C₁、C₂表示两个象素点的RGB值，Y表示两个像素点是否属于同一区域，的值表示两个像素点颜色的相近性，当p₁，p₂属于同一区域时，它们的颜色信息会非常接近，的值会近似于0，但阈值的选取不能过小，以避免噪声对图像的影响，因此阈值τ选取为0.05～0.1之间的值。

由于阴影的强度比背景的强度要小，因此仅对前景中强度小于背景的部分进行划分。

In(x，y)<In_B(x，y)        (2)

其中，In(x，y)，In_B(x，y)分别表示像素点(x，y)的前景和背景的强度。

步骤二，根据阴影的光谱特性选取样点，建立阴影的高斯模型，包括如下具体步骤：

第一步，根据阴影与背景相比具有较低的强度选取样点，则所选择的阴影样点满足如下条件：

R_f<R_b，G_f<G_b，B_f<B_b，I_f<αI_b    (3)

其中，R_f、G_f、B_f和I_f分别表示前景像素点的RGB值和强度值，R_b、G_b、B_b和I_b分别表示背景的RGB值和强度值，α是根据实验情况选取的常数值。

第二步，根据阴影与背景相比具有较高的蓝色的饱和度选取样点，则所选的阴影样点的RGB值满足如下条件：

$\frac{{B_f}^2}{\sqrt{{R_f}^2+{G_f}^2}}>\frac{{B_b}^2}{\sqrt{{R_b}^2+{G_b}^2}}---\left(4\right)$

第三步，根据利用阴影的颜色不变性选取样点，YCbCr色彩空间中的CbCr分量对不可见阴影具有颜色不变性，而归一化的rgb色彩空间对可见阴影具有颜色不变性，因此根据阴影的特性自适应的选取的颜色不变性参数，选取方法具体为：

在灰度空间中，不可见阴影的灰度值与背景相比的变化要小于可见阴影的灰度值变化，判断方法如下：

$ϵ=\frac{\Sigma D_v}{\Sigma D_i}---\left(7\right)$

其中，I(x，y)、B(x，y)分别表示像素点(x，y)的前景和背景的灰度，TH_i和TH_v为根据实验得出的阈值，TH_i<TH_v，I为前景像素点的灰度值，B为背景点的灰度值。对于可见阴影，D_i和D_v的值均为1，而对于不可见阴影，D_i的值为1，D_v的值为0。ε的值根据实验数据分析，取0.95比较适合。当ε≤0.95时，判定为不可见阴影，选取CbCr为颜色不变性参数；当ε≥0.95时，判定为可见阴影，选取归一化的rgb为颜色不变性参数。

参数选定后，根据公式(11)进行判断，阴影的样点要满足公式(13)：

$C_r(x,y)=\ln \frac{R(x,y)}{R(x,y)+G(x,y)+B(x,y)}---\left(8\right)$

$C_g(x,y)=\ln \frac{G(x,y)}{R(x,y)+G(x,y)+B(x,y)}---\left(9\right)$

$C_b(x,y)=\ln \frac{B(x,y)}{R(x,y)+G(x,y)+B(x,y)}---\left(10\right)$

C_Cr(x，y)＝ln Cr(x，y)       (11)

C_Cb(x，y)＝ln Cb(x，y)       (12)

∑|C_i-C_bi|<ξ                (13)

其中，R(x，y)，G(x，y)，B(x，y)RGB色彩空间中(x，y)像素点的RGB值，Cr(x，y)，Cb(x，y)为YCbCr色彩空间中(x，y)像素点的CbCr值。当选用CbCr为颜色不变参数时，C_i分别取C_Cb和C_Cr两个值，在式(13)中累加；当选用rgb为颜色不变参数时，C_i分别取C_r、C_g和C_b三个值，在式(13)中累加，C_bi为对应像素点在背景图像中的值，ξ的值根据实验数据分析获得。

第四步，分析阴影样点在RGB色彩空间中的颜色直方图特性，建立阴影的高斯模型，将颜色直方图中出现频率最高的值作为高斯模型中的平均值μ，并根据样点数量、阴影分散值，计算高斯模型的方差σ²，计算公式如下：

${\sigma }^2=\frac{1}{{\Sigma }_{\nu =\mu -d}^{\nu =\mu +d}s\left(\nu \right)}\underset{\nu =\mu -d}{\overset{\nu =\mu +d}{\Sigma }}{(\nu -\mu )}^{2}s\left(\nu \right)---\left(14\right)$

其中，s(v)是值为v的样点数量，μ为平均值，d为阴影分散值，d的值根据实验数据分析获得，v代表在RGB色彩空间中该像素点的取值。

第五步，利用阴影的高斯模型判定像素点是否为阴影，具体如下：判断的像素点是否满足条件：|v-μ|≤2σ，其中，v代表在RGB色彩空间中该像素点的取值，μ是指平均值，σ²是指方差，如果满足条件，则判定该像素点为阴影，在同一区域中，如果超过半数的像素点判定为阴影，则该区域判定为阴影区域，它所包含的所有像素点都判定为阴影，否则该区域判定为运动目标。

步骤三，对检测出的阴影区域进行后处理，即识别一些边界点属于阴影还是属于噪声，当与某一边界点相邻的点超过半数以上被判定为阴影时，将该边界点也判定为阴影，如果边界点相邻的像素点仅有少量被判定为阴影，则判断该边界点为图像的噪声，经过对结果的后处理后，得到阴影检测的最终结果。

如图1所示，图(b)、(e)是提取出的前景图像，阴影的检测是在前景图像的基础上进行的，图(c)、(f)为图(a)、(b)阴影检测的最终结果，白色部分表示检测出的阴影部分，根据检测结果图可以看出，本实施例方法能够准确的检测出目标运动物体的阴影，并保留目标运动物体的完整图像。