摘 要：智能視頻監(jiān)控系統(tǒng)的主要難點(diǎn)就是如何檢測出運(yùn)動(dòng)目標(biāo)的陰影并將他去除。用一種改進(jìn)的自適應(yīng)背景檢測算法準(zhǔn)確檢測運(yùn)動(dòng)物體的位置和形狀。然后根據(jù)陰影的顏色變化、結(jié)構(gòu)等特點(diǎn)，分別采用基于RGB彩色模型和基于HSV彩色模型的陰影檢測法檢測陰影。在仿真實(shí)驗(yàn)中，對(duì)兩種方法進(jìn)行定量和定性的分析，在陰影檢測率、識(shí)別率、復(fù)雜度和實(shí)時(shí)性等方面做出了比較。結(jié)果表明，兩種方法都有較強(qiáng)的適應(yīng)性，具有良好的陰影檢測效果。根據(jù)各自的優(yōu)缺點(diǎn)，可應(yīng)用在不同領(lǐng)域中。

關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測；RGB空間；HSV空間；陰影檢測

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-373X(2008)06-059-03

Shadow Detecting for Moving Objects Based on Self-adaptive Background

GAO Lan，DONG Huiying，LAN Libao

(Information Science and Engineering College，Shenyang Ligong University，Shenyang，110168，China)

Abstract：One of the main difficulties in intelligent video surveillance is how to detect and suppress the shadow in the scene.The moving objects detection algorithm uses an improved background subtraction algorithm which is based on self-adaptive background to detect the position and the shape of objects.Then according to the shadow′s characters such as the color variation and the structure，two shadow detection algorithms which respectively based on the RGB color model and the HSV color model are introduced.In experiment，the two shadow detection algorithms are analyzed on the shadow detection accuracy，the shadow discrimination accuracy，the complexity and the real-time capability，and made the comparison of them.The results of experiment show that the shadow detection algorithms are effective and robust，and can be applied on different fields according to their advantages and disadvantages.

Keywords：moving objects detection；RGB color model；HSV color model；shadow detection

視頻監(jiān)視系統(tǒng)中，對(duì)于檢測/跟蹤環(huán)節(jié)，在序列圖像中準(zhǔn)確地獲取運(yùn)動(dòng)物體是一個(gè)至關(guān)重要的問題。不僅要能檢測出運(yùn)動(dòng)物體的存在，還要能得出運(yùn)動(dòng)物體本身的準(zhǔn)確形狀，為識(shí)別、跟蹤奠定基礎(chǔ)。通常，在檢測過程中會(huì)存在運(yùn)動(dòng)陰影，他在運(yùn)動(dòng)目標(biāo)的分割和跟蹤中會(huì)引起嚴(yán)重的問題。他可能會(huì)引起圖像中物體的合并，物體形狀的失真，甚至物體的消失(這是由于陰影投射覆蓋了另一個(gè)物體)。因此，陰影的判別極為重要。

本文采用文獻(xiàn)[1-3]所述的方法，在2個(gè)顏色空間，即RGB空間和HSV空間里，分別分析陰影的各個(gè)特點(diǎn)，然后采用不同的方法檢測陰影，均能有效地克服運(yùn)動(dòng)陰影造成的影響及降低運(yùn)動(dòng)物體的誤分類。

1 運(yùn)動(dòng)目標(biāo)檢測

運(yùn)動(dòng)目標(biāo)檢測是進(jìn)行陰影檢測的前提。目前，運(yùn)動(dòng)檢測算法很多，主要有差分圖像法^[4]、光流法和基于高階統(tǒng)計(jì)(HOS)等方法。其中背景相減方法是目前運(yùn)動(dòng)分割中最常用的一種方法，但對(duì)于任何復(fù)雜環(huán)境的運(yùn)動(dòng)變化具有自適應(yīng)性的背景模型仍然是一個(gè)值得研究的問題。

在復(fù)雜交通道路的視頻圖像序列中，不可能直接獲取無運(yùn)動(dòng)物體的背景圖像。本文采用文獻(xiàn)[5]提出的自適應(yīng)背景建立法能夠自動(dòng)的從圖像序列中獲得信息來建立一個(gè)好的初始背景模型。但由于其原有背景更新存在參數(shù)選擇不穩(wěn)定的狀況，容易影響檢測效果。因此對(duì)其進(jìn)行了改進(jìn)，采用雙動(dòng)態(tài)矩陣對(duì)背景模型做更新，同時(shí)利用動(dòng)態(tài)閾值^[6]分割圖像。雙動(dòng)態(tài)矩陣更新則是在[WTHX]D[WTBZ]矩陣的基礎(chǔ)上，增加一個(gè)動(dòng)態(tài)矩陣[WTHX]E[WTBZ]來改善這種情況。更新過程如下：

[WTHX]E[WTBX]i，j(k)=[WTHX]E[WTBX]i，j(k-1)+1；[WTHX]D[WTBX]i，j(k)=1；

if Fi，j(k)=0 and Si，j(k)>Ts(1)

其中Si，j(k)=Ii，j(k)-Bi，j(k)，Si，j(k)為當(dāng)前幀與背景幀不同的物體，F(xiàn)i，j(k)為幀差結(jié)果。從式(1)中可看出，當(dāng)出現(xiàn)與背景不同但幀差結(jié)果為零的物體象素時(shí)，對(duì)應(yīng)的矩陣[WTHX]E中的值也就逐一增加，同時(shí)矩陣D[WTBZ]中的值不為零。在下面的式(2)中，當(dāng)矩陣[WTHX]E中的值達(dá)到某一值，對(duì)應(yīng)當(dāng)前幀的象素便直接更新為背景象素，同時(shí)將E[WTBZ]中的這個(gè)值歸零。

Bi，j(k)=Ii，j(k)； if [WTHX]E[WTBX]i，j(k)=θ(2)

其中，θ為選擇更新快慢的系數(shù)。

將矩陣[WTHX]D和矩陣E[WTBX]結(jié)合起來進(jìn)行更新背景，可以更加準(zhǔn)確地得到背景圖像，增強(qiáng)運(yùn)動(dòng)目標(biāo)的檢測效果。

圖1顯示了高速公路視頻(a)的背景模型建立過程(其中(a)～(d)分別為算法執(zhí)行到序列圖像的第1，20，30，50幀時(shí)構(gòu)建的背景模型)。該算法的收斂速度比較快，根據(jù)運(yùn)動(dòng)目標(biāo)的數(shù)量和速度，一般在幾秒到十幾秒之間，就能獲得背景圖像。

圖1 背景模型建立過程

得到背景圖像后，將其與當(dāng)前圖像差分，便能得到所要檢測的運(yùn)動(dòng)目標(biāo)。

2 陰影檢測

運(yùn)動(dòng)目標(biāo)陰影是由運(yùn)動(dòng)目標(biāo)的投影造成的。由于其運(yùn)動(dòng)特性與物體相同，且互連為一個(gè)整體，易造成運(yùn)動(dòng)目標(biāo)的誤分類。在陰影檢測中，根據(jù)研究目的和面向?qū)ο蟮牟煌瑢?duì)圖像進(jìn)行處理研究時(shí)，需要選取適當(dāng)?shù)牟噬Ｐ?，并在特定的彩色空間中進(jìn)行。

2.1 RGB空間陰影檢測法

在RGB彩色模型空間中，任何一種顏色都可以由RGB三原色按一定的比例構(gòu)成。這3個(gè)分量不僅代表色彩和亮度，還存在著很大的相關(guān)性。通過分析發(fā)現(xiàn)，在陰影區(qū)域，只是背景亮度減弱，顏色變化很小，RGB成比例衰減，因此色調(diào)改變小，其顏色夾角也較小。在目標(biāo)區(qū)域，其顏色值與對(duì)應(yīng)背景在色調(diào)上差別較大。因此按照式(3)計(jì)算其顏色夾角可以實(shí)現(xiàn)對(duì)陰影的大致檢測。

3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)對(duì)不同道路情況分別進(jìn)行了測試。其中高速公路視頻(a)從http：∥cvrr.ucsd.edu/aton/ shadow 獲取，而沈陽理工大學(xué)路段視頻(b)為拍攝的錄像帶，視頻格式為PAL制式，幀率為25幀/s，圖像大小為320×240，其運(yùn)動(dòng)對(duì)象相對(duì)復(fù)雜。本實(shí)驗(yàn)數(shù)據(jù)， RGB空間：Tα=0.01，θ=100，λ=5，α=0.03，C1=(k1×L)2，C2=(k2×L)2，k1=0.01，k2=0.03，L=255，而T1，T2根據(jù)不同的路面狀況而不同；HSV空間：α =0.2，β=0.8，TS=0.09，TH=0.5。

視頻(a)中的陰影范圍大且濃，而視頻(b)中的陰影范圍小且淡。圖2顯示2個(gè)陰影檢測算法在不同環(huán)境中的檢測效果，其中黑色代表的是運(yùn)動(dòng)目標(biāo)點(diǎn)，白色代表的是檢測出來的陰影點(diǎn)。

3.1 陰影檢測率和陰影識(shí)別率

陰影檢測率(η)是指對(duì)陰影點(diǎn)分類的低錯(cuò)誤率；陰影識(shí)別率(ξ)是指判別非陰影點(diǎn)為陰影點(diǎn)的低可能性。

η=TPSTPS+FNS； ξ=TPFTPF+FNF(7)

其中小標(biāo)S代表陰影；F代表前景；TP是真正的陰影點(diǎn)；FN為錯(cuò)誤的陰影點(diǎn)；TPF是“前景范圍內(nèi)真實(shí)的點(diǎn)的個(gè)數(shù)”減去“檢測為陰影但屬于前景的點(diǎn)的個(gè)數(shù)”的值。下面的表1顯示2種陰影檢測法的檢測率和識(shí)別率。

從表1中可看出，RGB空間的檢測率高于HSV空間，但識(shí)別率則低于HSV空間。

表1 兩種陰影檢測法在不同環(huán)境中的η，ξ值

3.2 復(fù)雜度及實(shí)時(shí)性

復(fù)雜度 從上面介紹的算法來看，在RGB空間中僅從顏色R，G，B三個(gè)分量，是無法準(zhǔn)確檢測出陰影的，還需分析陰影的其他特征；而在HSV空間中，從他的H，S，V三個(gè)分量便能檢測出陰影。因此， RGB空間陰影檢測法比HSV空間的要更復(fù)雜。

實(shí)時(shí)性 RGB空間陰影檢測法用時(shí)15～25 ms，滿足實(shí)時(shí)性條件；由于視頻設(shè)備均為RGB格式，進(jìn)行HSV空間陰影檢測法時(shí)需將RBG格式轉(zhuǎn)換為HSV格式，用時(shí)40～50 ms，同時(shí)陰影檢測法的時(shí)間則為10～15 ms，總共用時(shí)50～65 ms，不滿足實(shí)時(shí)性條件。[FL)0]

圖2 運(yùn)動(dòng)目標(biāo)檢測效果

4 結(jié) 語

本文改進(jìn)了自適應(yīng)背景差法，并在HSV和RGB空間中分別采用2種陰影算法做比較。在實(shí)驗(yàn)過程中，對(duì)陰影檢測算法在陰影檢測率、陰影識(shí)別率、復(fù)雜度和實(shí)時(shí)性方面做了測試和分析。實(shí)驗(yàn)結(jié)果表明，RGB空間陰影檢測法在陰影檢測率和實(shí)時(shí)性上優(yōu)于HSV空間檢測法，而在陰影識(shí)別率和復(fù)雜度上劣于HSV空間檢測法，但他們都能在各種環(huán)境下進(jìn)行較準(zhǔn)確的陰影檢測，可應(yīng)用在不同的研究和應(yīng)用領(lǐng)域。由于各方法存在不足，仍有待進(jìn)一步的研究。

參考文獻(xiàn)

[1]Cucchiara R，Prati A，Grana C，et al.Detecting Moving Objects，Ghosts and Shadows in Video Streams[J].IEEE Tran-sactions on Pattern Analysis and Machine Intelligence，2003，25(10)：1 337-1 342.

[2]陳柏生，陳鍛生.基于歸一化rgb彩色模型的運(yùn)動(dòng)陰影檢測[J].計(jì)算機(jī)應(yīng)用，2006，26(8)：1 879-1 881.

[3]Wang Zhou，Bovik A C，Sheikh H R，et al.Image Quality Assessment：From Error Visibility to Structural similarity[J].IEEE Transactions on Image Processing，2004，13(4)：600-612.

[4]Collins R.A System for Video Surveillance and Monitoring：VSAM Final Report.Carnegle Mellon University，Technical Report：CMU-RI-TR-00-12，2000.

[5]Yang T，Stan Z Li，Pan Q， et al.Real-time and Accurate Segmentation of Moving Objects in Dynamic Scene[J].In Proceedings of the ACM 2 ndInternational Workshop on Video Surveillance Sensor Networks，2004：136-143.

[6]張繼平，劉直芳.視頻中運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測和跟蹤[J].計(jì)算機(jī)測量與控制，2004，12(11)：1 036-1 039

作者簡介 高 嵐 女，1982年出生，四川成都人，碩士研究生。主要從事機(jī)器視覺方向的研究。

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。