金圣韜，孟朝暉，劉 偉

(1.河海大學(xué)計(jì)算機(jī)與信息學(xué)院，江蘇 南京 211100;2.63780部隊(duì)，海南 三亞 572000)

基于團(tuán)塊模型的行人陰影抑制算法*

金圣韜1，孟朝暉1，劉 偉2

(1.河海大學(xué)計(jì)算機(jī)與信息學(xué)院，江蘇 南京 211100;2.63780部隊(duì)，海南 三亞 572000)

為有效解決行人陰影對(duì)行人跟蹤產(chǎn)生的影響，提出一種基于團(tuán)塊模型的陰影抑制算法。該算法利用團(tuán)塊結(jié)構(gòu)作為行人模型，通過(guò)計(jì)算團(tuán)塊的矩特征和團(tuán)塊垂直直方圖，借助幾何的方法獲得疑似陰影區(qū)域。然后，將該疑似陰影區(qū)域的灰度、方向、中心位置作為參數(shù)對(duì)整個(gè)前景區(qū)域進(jìn)行陰影建模，使得陰影區(qū)域更精確。最后，從行人模型中剔除陰影團(tuán)塊達(dá)到陰影抑制的效果。經(jīng)過(guò)視頻序列測(cè)試，本文算法對(duì)不同運(yùn)動(dòng)方向、不同數(shù)量的行人均有良好的陰影抑制效果，表明了該設(shè)計(jì)方案的有效性和準(zhǔn)確性。

陰影抑制；團(tuán)塊直方圖；陰影建模；行人跟蹤

1 引言

視頻監(jiān)控技術(shù)就是為了防止安保人員的誤判、利用自動(dòng)分析技術(shù)進(jìn)行視頻監(jiān)控的技術(shù)[1]。目前的研究方法都是假設(shè)視頻序列中不存在陰影，而在光線充足的場(chǎng)景，移動(dòng)的陰影將被錯(cuò)誤地劃分為前景對(duì)象。這將導(dǎo)致目標(biāo)位置估計(jì)、目標(biāo)行為分析和目標(biāo)識(shí)別的錯(cuò)誤。

目前，運(yùn)動(dòng)陰影檢測(cè)與抑制的方法大致分為如下三類：基于顏色模型的方法，選擇一個(gè)合適的顏色空間，利用陰影像素值在顏色空間中的色彩特性進(jìn)行陰影抑制，比如HSV空間[2]、色彩特征不變量空間[3]和歸一化RGB空間[4]，但這些方法易受噪聲影響并且對(duì)光強(qiáng)變化敏感；基于物理模型的方法，通過(guò)物理的方法建?；?qū)W習(xí)陰影像素的特定外觀特征，比如雙光源雙色反射模型BIDR(Bi-Illmuinant Dichromatic Reflection)[5]，但它無(wú)法處理目標(biāo)色調(diào)與背景相同的情況；基于紋理模型的方法，通過(guò)陰影光譜特征獲得候選區(qū)域，再根據(jù)這些區(qū)域紋理的相關(guān)性來(lái)區(qū)分前景和陰影，比如歸一化互相關(guān)[6]、Gabor濾波[7]、正交變換[8]等，由于要對(duì)一個(gè)像素的多個(gè)鄰域進(jìn)行計(jì)算，故運(yùn)算量較大、實(shí)時(shí)性差。

針對(duì)上述算法的不足，本文提出一種基于團(tuán)塊模型的行人陰影抑制方法。首先構(gòu)建行人團(tuán)塊模型，再通過(guò)計(jì)算團(tuán)塊的矩特征和團(tuán)塊垂直直方圖，借助幾何的方法獲得疑似陰影區(qū)域。然后，將該疑似陰影區(qū)域的灰度、方向、中心位置作為參數(shù)對(duì)整個(gè)行人和陰影進(jìn)行陰影建模，使得陰影區(qū)域更精確，對(duì)不同朝向、不同數(shù)量行人的陰影具有較好的抑制效果。此外，由于本文算法簡(jiǎn)單，時(shí)間復(fù)雜度較小，視頻處理速度約為7.5幀/s。

2 算法流程

團(tuán)塊[9]是指像素在空間上連通并且具有相似圖像特征(如顏色、紋理等)的區(qū)域?；趫F(tuán)塊模型的陰影抑制算法流程如圖1所示?？紤]到樹(shù)葉晃動(dòng)等因素，采用混合高斯動(dòng)態(tài)背景建模技術(shù)[10]將行人的運(yùn)動(dòng)前景提取出來(lái)。利用團(tuán)塊建模算法對(duì)前景進(jìn)行建模，使每個(gè)行人都由相應(yīng)團(tuán)塊結(jié)構(gòu)表示。對(duì)于行人的陰影抑制過(guò)程采用由粗到細(xì)的步驟，首先采用團(tuán)塊直方圖投影獲取行人與陰影的分割點(diǎn)，然后利用幾何矩估計(jì)陰影區(qū)域的朝向，這樣行人和陰影區(qū)域就可以通過(guò)一條有向直線被粗略地區(qū)分開(kāi)。在細(xì)化階段，陰影邊界可以通過(guò)陰影建模算法得到進(jìn)一步處理。最后，標(biāo)注陰影區(qū)域并在行人團(tuán)塊模型中剔除陰影團(tuán)塊。

Figure 1 Flow chart for pedestrian shadow elimination based on blob model圖1 基于團(tuán)塊模型的行人陰影抑制算法流程圖

2.1 行人團(tuán)塊建模算法

行人團(tuán)塊建模算法分為團(tuán)塊提取和團(tuán)塊合并兩個(gè)階段。對(duì)每一幀新圖像，將其分割為較小的團(tuán)塊并計(jì)算每個(gè)團(tuán)塊內(nèi)的像素顏色均值；再將顏色上相近且空間上相鄰的團(tuán)塊合并構(gòu)成較大團(tuán)塊，表征全場(chǎng)景的顏色分布；然后利用混合高斯背景建模算法提取的前景模板標(biāo)記運(yùn)動(dòng)的團(tuán)塊；最后以每個(gè)運(yùn)動(dòng)團(tuán)塊的形心為結(jié)點(diǎn)，利用模糊聚類算法再次合并團(tuán)塊構(gòu)建行人團(tuán)塊模型。

本文以四叉樹(shù)分割算法作為團(tuán)塊提取算法，按照自下向上的生長(zhǎng)方式，通過(guò)多次將局部相鄰且特征相似的團(tuán)塊向上逐步聚合的方式來(lái)提取團(tuán)塊。團(tuán)塊的數(shù)據(jù)結(jié)構(gòu)中包括：團(tuán)塊矩形坐標(biāo)、背景標(biāo)記、陰影標(biāo)記、中心團(tuán)塊標(biāo)記、團(tuán)塊編號(hào)、團(tuán)塊重心坐標(biāo)、團(tuán)塊顏色均值等屬性。

算法步驟如下：

步驟1將圖像分割為由N×N個(gè)小區(qū)域aij(N的取值由目標(biāo)的尺寸決定)構(gòu)成的區(qū)域矩陣AN×N，并初始化Blob結(jié)構(gòu)數(shù)組B。

(1)

步驟3若dij小于閾值d0，則將這兩個(gè)團(tuán)塊合并，修改Blob結(jié)構(gòu)的中心團(tuán)塊標(biāo)記lab，使之統(tǒng)一為aij的團(tuán)塊編號(hào)。

步驟4重復(fù)步驟3，直到結(jié)構(gòu)數(shù)組B遍歷完畢。這樣就完成了四叉樹(shù)一次由下向上的聚合過(guò)程。

步驟6返回步驟5，如此重復(fù)，直到得到一個(gè)穩(wěn)定的分割結(jié)果。

這樣就完成了對(duì)一幀圖像顏色在空間位置上的聚類。如圖2a為對(duì)第75幀視頻圖像進(jìn)行三次聚合后的結(jié)果，圖中每個(gè)方格表示一個(gè)團(tuán)塊區(qū)域，顏色場(chǎng)景復(fù)雜的部分(如人物、樹(shù)木)方格分布較小較密，而顏色場(chǎng)景簡(jiǎn)單的部分(如天空、地面)方格分布較為稀疏，尺寸也大些。

Figure 2 Blob extraction result, and predestrain model based on blob圖2 團(tuán)塊提取和行人團(tuán)塊模型效果圖

經(jīng)過(guò)團(tuán)塊提取后，為了獲得運(yùn)動(dòng)前景以構(gòu)建行人團(tuán)塊模型，還需進(jìn)行背景建模。由于視頻圖像中的每個(gè)像素點(diǎn)，其值在序列圖像中的變化可以看作是一個(gè)不斷產(chǎn)生像素值的隨機(jī)過(guò)程。因此，對(duì)于每幀新進(jìn)入的像素值，可以選擇混合高斯背景建模判斷該像素屬于運(yùn)動(dòng)前景還是背景，由此得到前景模板M。我們利用M標(biāo)記相應(yīng)團(tuán)塊區(qū)域，這樣就能有效剔除背景團(tuán)塊。

(2)

其中,Ik(x,y)是第k幀圖像，Bk(x,y)是第k幀的背景模板，Td是閾值。

由于同一目標(biāo)的不同團(tuán)塊在空間上具有高度相關(guān)性，為了利用鄰域信息，本文定義空間函數(shù)如下：

(3)

其中，(Δx,Δy)為團(tuán)塊i的重心和聚類中心j坐標(biāo)之差。我們利用hij來(lái)衡量團(tuán)塊i屬于第j個(gè)聚類的可能性大小。下面給出隸屬度函數(shù)uij及聚類中心vi的迭代計(jì)算公式：

(4)

(5)

其中，zj為團(tuán)塊j的特征向量。α為模糊因子，控制著模糊聚類間的分享程度。公式(5)中uij作為權(quán)值，表明各樣本成為聚類中心的可能性。

團(tuán)塊合并算法步驟如下：

(1)設(shè)n為一幀圖像中所有參與聚類的團(tuán)塊數(shù)目，給定聚類類別數(shù)q(2≤q≤n)，參數(shù)α，迭代停止閾值ε。

(2)給出初始聚類中心集合V(0)，設(shè)置迭代計(jì)數(shù)器f=0。

(6)

(7)

(5)更新迭代計(jì)數(shù)器，重復(fù)(3)、(4)，直到距離范數(shù)‖V(f+1)-V(f)‖<ε或計(jì)數(shù)器值f達(dá)到一定次數(shù);

(6)去模糊化。本文合并算法的最終目的是為了將空間相鄰的團(tuán)塊合并，標(biāo)記為同一團(tuán)塊類別。我們采用最大隸屬值法去模糊化。用Lj表示第j個(gè)樣本點(diǎn)所屬類別，則有：Lj=argt{max(uij)}。

我們將面積較大且相互距離較遠(yuǎn)團(tuán)塊的形心作為初始聚類中心賦給V(0)，并把這種團(tuán)塊數(shù)量作為聚類類別數(shù)量。迭代停止閾值ε影響了聚類的精度和速度，此處取0.4。模糊因子α與樣本數(shù)量有關(guān)，通常大于n/(n-2)，本文取1.65。

如圖2b所示，可以明顯發(fā)現(xiàn)陰影也被錯(cuò)誤劃分為行人團(tuán)塊模型的一部分，為了獲得穩(wěn)定的跟蹤效果，必須將陰影去除。

2.2 疑似陰影檢測(cè)

經(jīng)過(guò)行人團(tuán)塊建模后，圖2b中行人與陰影的夾角可以通過(guò)矩特征計(jì)算得到。給定一維的行人模型團(tuán)塊數(shù)組R，其中心矩定義如下：

(8)

(9)

其中，(x,y)是團(tuán)塊R[i]的幾何中心，n是數(shù)組R的長(zhǎng)度。如圖3a所示，點(diǎn)PG為團(tuán)塊數(shù)組R的重心，夾角θR是我們要求的夾角。如圖3b所示，假設(shè)將行人和陰影構(gòu)成的整體區(qū)域看作一個(gè)橢圓，那么現(xiàn)在的問(wèn)題就是在已知橢圓中心坐標(biāo)PG和橢圓內(nèi)所有點(diǎn)的坐標(biāo)(即各個(gè)團(tuán)塊中心坐標(biāo))的情況下，求夾角θR，可以通過(guò)下式求得：

(10)

式(10)就是求使橢圓內(nèi)所有點(diǎn)到橢圓短軸投影距離的平方之和最小的那個(gè)夾角，即橢圓主軸與x軸的傾斜角。

Figure 3 Pedestrian blob model and pedestrian shadow ellips圖3 行人團(tuán)塊模型與陰影橢圓

對(duì)式(10)求導(dǎo)，并令：

(11)

得：

(12)

根據(jù)式(12)，當(dāng)利用中心矩計(jì)算行人和陰影的方向后，為了獲得陰影分割線，我們還需要計(jì)算人和陰影的分割點(diǎn)PR。

點(diǎn)PR可以通過(guò)計(jì)算團(tuán)塊垂直直方圖相鄰兩列差值，取差值最大列所對(duì)應(yīng)的橫坐標(biāo)獲得。團(tuán)塊垂直直方圖，如圖4所示，可以通過(guò)遍歷數(shù)組R自下向上沿著水平方向統(tǒng)計(jì)垂直方向團(tuán)塊的數(shù)量獲得。設(shè)HR(x)為團(tuán)塊垂直直方圖R的第x列分量，由此，我們定義團(tuán)塊差分直方圖dHR(x)如下：

(13)

這樣，點(diǎn)PR的橫坐標(biāo)x可以通過(guò)式(14)獲得：

(14)

其中，XRbottom是團(tuán)塊差分直方圖的橫坐標(biāo)取值范圍，即整個(gè)前景區(qū)域R的寬度，當(dāng)xR有多個(gè)取值時(shí)，保留距離團(tuán)塊直方圖波峰最近的點(diǎn)。

Figure 4 The 75th vertical histogram of pedestrian blob圖4 第75幀行人團(tuán)塊垂直直方圖

PR的縱坐標(biāo)y可以通過(guò)團(tuán)塊垂直直方圖中對(duì)應(yīng)的PR橫坐標(biāo)得到。

(15)

其中，CR(x)表示團(tuán)塊數(shù)組R的中心坐標(biāo)集合。這樣我們就有一條有向直線將行人與陰影粗略地分割成兩部分R1和R2，直線方程如下：

(16)

由于陰影部分像素的亮度更暗并且顏色變化更小，因此陰影區(qū)域R2可以根據(jù)這個(gè)特性很容易地選擇。

整個(gè)疑似陰影檢測(cè)算法流程如下：

(1)根據(jù)前景團(tuán)塊數(shù)組R計(jì)算團(tuán)塊垂直直方圖HR(x)和夾角θR；

(2)根據(jù)團(tuán)塊垂直直方圖HR(x)計(jì)算團(tuán)塊差分直方圖dHR(x)；

(3)利用公式(14)，計(jì)算PR點(diǎn)的橫坐標(biāo)；

(4)掃描團(tuán)塊數(shù)組R，獲得中心坐標(biāo)集合CR(x)；

(5)利用公式(15)，通過(guò)PR的橫坐標(biāo)和CR(x)，計(jì)算得yR，這樣就獲得了PR點(diǎn)；

(6)根據(jù)公式(16)，利用夾角θR和PR獲得分割線，計(jì)算分割后兩部分顏色均值和方差，選擇均值和方差較小的區(qū)域作為疑似陰影區(qū)域R2。

2.3 陰影建模

當(dāng)疑似陰影區(qū)域R2確定后，我們將構(gòu)建一個(gè)合適的陰影模型使陰影區(qū)域得到進(jìn)一步細(xì)化。本文將從灰度、距離、方向三個(gè)角度展開(kāi)分析。

當(dāng)背景像素被陰影覆蓋時(shí)，該像素的亮度會(huì)變暗，飽和度通常會(huì)變小，而色度不會(huì)有較大變化。因此，最直接的方式就是考慮用像素的灰度去建立模型，公式如下：

(17)

其中，μR是疑似陰影區(qū)域R2的灰度均值，Th是閾值，Ik(x,y)為前景區(qū)域像素點(diǎn)(x,y)處的灰度值。這里，僅考慮灰度的缺點(diǎn)是當(dāng)某些距離疑似陰影區(qū)域較遠(yuǎn)且灰度值接近μR的區(qū)域會(huì)被錯(cuò)誤劃分為陰影區(qū)域。

由于行人的陰影都是從腳部往外延伸且陰影的長(zhǎng)度總是有限的，因此我們借助疑似陰影區(qū)域分割點(diǎn)PR來(lái)測(cè)量陰影的長(zhǎng)度，并把一定長(zhǎng)度范圍內(nèi)的像素點(diǎn)都認(rèn)為是陰影，公式如下：

(18)

其中，(xR,yR)為PR點(diǎn)坐標(biāo)，(x,y)為前景區(qū)域像素點(diǎn)坐標(biāo)，Td為閾值，取行人身長(zhǎng)的0.8倍。雖然現(xiàn)在考慮了距離和灰度，但不同光源會(huì)導(dǎo)致行人的陰影具有不同的朝向，因此為了更細(xì)致的陰影區(qū)域，必須在測(cè)算距離時(shí)考查疑似陰影方向θR。為此，本文按照式(19)將原始坐標(biāo)映射到橢圓坐標(biāo)：

(19)

為了提高模型的精確性和彈性，針對(duì)三種判斷依據(jù)，本文采用動(dòng)態(tài)加權(quán)的方式融合各種因素。陰影模型表達(dá)式如下：

(20)

其中，α是權(quán)重更新速率，此處取0.1，w1是陰影灰度值權(quán)重，w2是陰影長(zhǎng)度權(quán)重。權(quán)值會(huì)根據(jù)各個(gè)因素的符合程度自動(dòng)調(diào)整。

2.4 陰影抑制

我們利用公式(20)對(duì)當(dāng)前幀的前景區(qū)域的每個(gè)像素點(diǎn)進(jìn)行建模，如果d(x,y)小于閾值Ts，那么這個(gè)像素點(diǎn)會(huì)被劃分為陰影像素。這里Ts取疑似陰影區(qū)域R2內(nèi)所有像素點(diǎn)d值的均值。

(21)

整個(gè)陰影抑制算法流程如下：

(1)構(gòu)建行人團(tuán)塊模型，使每個(gè)行人都有相應(yīng)團(tuán)塊表示：

①獲取當(dāng)前幀，利用團(tuán)塊提取算法，對(duì)圖像顏色進(jìn)行聚類;

②利用混合高斯背景建模的前景模板，標(biāo)記運(yùn)動(dòng)團(tuán)塊;

③利用模糊聚類算法合并團(tuán)塊，獲得最終行人團(tuán)塊模型。

(2)對(duì)于每個(gè)行人團(tuán)塊模型，分別利用疑似陰影檢測(cè)算法將行人與其陰影粗略地分割開(kāi)：

①計(jì)算團(tuán)塊中心矩，利用公式(12)計(jì)算陰影方向;

②計(jì)算團(tuán)塊垂直直方圖，利用公式(14)和公式(15)計(jì)算行人與陰影分割點(diǎn);

③根據(jù)陰影性質(zhì)，選擇相應(yīng)疑似陰影區(qū)域R2。

(3)陰影建模，利用公式(20)對(duì)行人和陰影進(jìn)行建模，若d(x,y)

(4)更新混合高斯背景模型，返回(1)，直到視頻結(jié)束。

3 實(shí)驗(yàn)結(jié)果與分析

本文針對(duì)校園場(chǎng)景進(jìn)行多組實(shí)驗(yàn)。實(shí)驗(yàn)程序在Visual Studio 2008環(huán)境下編寫(xiě)，計(jì)算機(jī)CPU采用Intel Core i3 3.07 GHz，視頻序列圖像大小為480*856。

為了評(píng)估本文方法的表現(xiàn)，定義精準(zhǔn)率和虛警率作為評(píng)價(jià)指標(biāo)。精準(zhǔn)率是程序正確檢測(cè)出的陰影像素?cái)?shù)量與實(shí)際存在的陰影像素?cái)?shù)量之比。虛警率是被錯(cuò)誤劃分為陰影像素的數(shù)量與程序檢測(cè)的所有陰影像素?cái)?shù)量之比。

其中，由于每個(gè)團(tuán)塊所包含像素點(diǎn)相同，可以通過(guò)人工統(tǒng)計(jì)團(tuán)塊數(shù)量來(lái)代替統(tǒng)計(jì)像素?cái)?shù)量。圖5顯示第73幀陰影抑制的效果圖，行人陰影處在人的正下方。

圖6給出了不同朝向和不同數(shù)量行人的陰影抑制效果圖,并與基于色彩特征不變量的陰影抑制

Figure 5 Effect diagram of pedestrian blob model after shadow elimination in the 73rd frame圖5 第73幀陰影抑制效果圖

做了對(duì)比。圖6a和圖6b陰影在行人前方，圖6c和圖6d陰影在其后方。圖6g和圖6h為多行人陰影標(biāo)記效果。圖6i和圖6j為基于色彩特征不變量的陰影抑制。

圖6a和圖6d為去除陰影后的行人團(tuán)塊模型；圖6b和圖6e為行人陰影標(biāo)記;圖6c和圖6f為團(tuán)塊垂直直方圖；圖6g和圖6h為多人陰影標(biāo)記效果圖；圖6i為基于色彩特征不變量的陰影抑制；圖6j為對(duì)圖6i去噪濾波的效果。

表1給出了四段視頻中，兩種算法性能的評(píng)估結(jié)果。

Table 1 Accurate rate and false alarm rate表1 精準(zhǔn)率和虛警率 %

Figure 6 Effect diagrams of shadow elimination for pedestrians of different numbers facing different directions圖6 不同朝向和不同數(shù)量行人的陰影抑制效果圖

根據(jù)實(shí)驗(yàn)效果和數(shù)據(jù)表明，本文所提的方法對(duì)不同朝向、不同數(shù)量的陰影具有理想的分割和抑制效果，并且本文算法比基于色彩特征不變量的陰影抑制效果更明顯。

4 結(jié)束語(yǔ)

本文提出了一種有效的從動(dòng)態(tài)場(chǎng)景中去除陰影的方法。我們按照由粗到細(xì)的步驟，首先使用行人團(tuán)塊建模算法獲得行人模型；然后利用疑似陰影檢測(cè)算法計(jì)算得到一條有向直線將行人和陰影大致分割，獲得疑似陰影區(qū)域；最后在細(xì)化階段，對(duì)前景區(qū)域進(jìn)行陰影建模使陰影區(qū)域更為準(zhǔn)確。經(jīng)過(guò)實(shí)驗(yàn)對(duì)比分析，本文算法能有效抑制陰影對(duì)行人目標(biāo)檢測(cè)的影響，并具有較強(qiáng)的實(shí)時(shí)性。

[1] Cristani M,Delbue A. Human behavior analysis in video surveillance:A social signal processing perspective[J].Neurocomputing,2013(100):86-97.

[2] Yoneyama A, Yeh C H, Kuo C. Movingcast shadow elimination for robust vehicle extraction based on 2D joint vehicle/shadow models[C]∥Proc of IEEE Conference on Advanced Video and Signal Based Surveillance,2003:229-236.

[3] Salvador E, Cavallaro A, Ebrahimi T. Cast shadow segmentation using invariant color features[J]. Computer Vision and Image Understanding,2004,95(2):238-259.

[4] Salvador E, Cavallaro A, Ebrahimi T. Shadow-aware object-based video processing[J]. IEEE Proceedings on Vision, Image and Signal Processing,2005,152(4):398-406.

[5] Huang Jia-bin, Chen Chu-song. Moving cast shadow detection using physics-based features[C]∥Proc of IEEE Conference on Computer Vision and Pattern Recognition,2009:2310-2317.

[6] Hampapur A. Robust and efficient foreground analysis for real-time video surveillance[C]∥Proc of IEEE Conference on Computer Vision and Pattern Recognition,2005:1182-1187.

[7] Leone A,Distante D.Shadow detection for moving objects based on texture analysis [J]. Pattern Recognition,2007,40(4):1222-1233.

[8] Zhang Wei, Fang Xiang-zhong, Xu Yi. Detection of moving cast shadows using image orthogonal transform[C]∥Proc of

International Conference on Pattern Recognition, 2006:626-629.

[9] Wang Shu-peng, Ji Hong-bing. Appearance model based on blobs for object tracking [J]. Journal of Xidian University,2008,35(5):799-804.(in Chinese)

[10] Shan Yong, Wang Run-sheng, Yang Fan. An algorithm of motion detection based on multi-feature background model[J]. Computer Engineering & Science,2007,29(8):40-42.(in Chinese)

[11] Wang Xiao-ying. A novel fuzzy clustering algorithm for the analysis of axillary lymph node tissue sections [J]. Applied Intelligence,2007,27(3):237-248.

附中文參考文獻(xiàn)：

[9] 王書(shū)朋,姬紅兵.利用團(tuán)塊模型進(jìn)行目標(biāo)跟蹤 [J].西安電子科技大學(xué)學(xué)報(bào)(自然版),2008 35(5):799-804.

[10] 單勇,王潤(rùn)生,楊凡.基于多特征背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法 [J].計(jì)算機(jī)工程與科學(xué),2007,29(8):40-42.

JINSheng-tao,born in 1988,MS candidate,CCF member(E200030383G)，his research interests include pattern recognition, and computer vision.

Apedestrianshadoweliminatingalgorithmbasedonblobmodel

JIN Sheng-tao1,MENG Zhao-hui1,LIU Wei2

(1.School of Computer and Information,Hohai University,Nanjing 211100;2.Troop 63780,Sanya 572000,China)

To solve the problem of negative effect of shadows in pedestrian detection,a shadow eliminating algorithm based on blob model is proposed. We first describe the pedestrian model with blob structures,and then compute the blob’s central moments and vertical histogram. With the help of these data and the a geometric method,the suspected shadow region can be obtained.After that,the rough approximation of the shadow region can be further refined through shadow modeling with several features including the intensity,orientation and center position of the shadow region. Finally,shadow blobs can be precisely eliminated from the pedestrian blob model.Experimental results demonstrate that different shadows under different conditions can be eliminated accurately and effectively.

shadow eliminating;blob histogram;shadow modeling;pedestrian detection

1007-130X(2014)11-2203-07

2013-05-23;

：2013-09-22

TP391.41

：A

10.3969/j.issn.1007-130X.2014.11.025

金圣韜(1988),男，江蘇蘇州人，碩士生，CCF會(huì)員(E200030383G)，研究方向?yàn)槟Ｊ阶R(shí)別和計(jì)算機(jī)視覺(jué)。E-mail:jst2009@163.com

通信地址：211100 江蘇省南京市河海大學(xué)計(jì)算機(jī)與信息學(xué)院

Address:School of Computer and Information,Hohai University,Nanjing 211100,Jiangsu,P.R.China