朱世松　張海燕　張翠云　朱洪錦

1(河南理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院　河南 焦作 454003)

2(河南工業(yè)和信息化職業(yè)學(xué)院　河南 焦作 454000)

3(江蘇理工學(xué)院計(jì)算機(jī)工程學(xué)院　江蘇 常州 213001)

?

一種基于交通視頻車(chē)輛陰影去除算法的研究

朱世松1張海燕1張翠云2朱洪錦3

1(河南理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院河南 焦作 454003)

2(河南工業(yè)和信息化職業(yè)學(xué)院河南 焦作 454000)

3(江蘇理工學(xué)院計(jì)算機(jī)工程學(xué)院江蘇 常州 213001)

摘要車(chē)輛識(shí)別是智能交通系統(tǒng)的主要研究課題，而陰影是影響車(chē)輛識(shí)別的最主要原因。根據(jù)車(chē)輛陰影形成的光學(xué)特征，提出一種基于自動(dòng)標(biāo)記的OSTU雙閾值圖像增強(qiáng)車(chē)輛陰影去除算法。首先使用改進(jìn)的統(tǒng)計(jì)直方圖背景更新算法進(jìn)行背景更新，獲取背景圖像。其次使用背景差分運(yùn)算求取包含移動(dòng)陰影的前景二值圖像。最后使用改進(jìn)的自動(dòng)標(biāo)記算法對(duì)所得二值圖像的連通區(qū)域進(jìn)行標(biāo)記，然后分別對(duì)每一個(gè)標(biāo)記的連通區(qū)域所對(duì)應(yīng)的實(shí)際圖像使用OSTU雙閾值圖像分割方法進(jìn)行分割，并對(duì)所得的分割區(qū)域進(jìn)行不同程度的灰度增強(qiáng)。在視頻檢測(cè)實(shí)驗(yàn)中，該算法不僅能夠有效消除移動(dòng)陰影，而且在一定程度上克服了陰影誤檢等問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該改進(jìn)方法在陰影消除方面的有效性。

關(guān)鍵詞改進(jìn)統(tǒng)計(jì)直方圖鄰域壓縮OSTU圖像增強(qiáng)陰影消除

RESEARCH ON A TRAFFIC VIDEO-BASED VEHICLE SHADOW REMOVAL ALGORITHM

Zhu Shisong1Zhang Haiyan1Zhang Cuiyun2Zhu Hongjin3

1(School of Computer Science and Technology,Henan Polytechnic University,Jiaozuo 454003,Henan,China)2(Henan College of Industry and Information Technology,Jiaozuo 454000,Henan,China)3(School of Computer Engineering,Jiangsu University of Technology,Changzhou 213001,Jiangsu,China)

AbstractVehicle identification is the major research subject in intelligent transportation system, and the shadow is the main factor affecting vehicle identification. According to the optical characteristics of vehicle shadow formation, we proposed an automatic marking-based vehicle shadow removal algorithm with OSTU dual-threshold image enhancement. First, it uses the improved statistical histogram background update algorithm to update the background and to acquire the background images. Then it obtains the foreground binary image with moving shadow by background subtraction operation. Finally, it uses the improved automatic marking algorithm to mark the connected region of the derived binary images, and then segments the actual image corresponding to every marked connected region by OSTU dual-threshold image segmentation algorithm; and the gray enhancements are applied to the obtained segmented regions in different degrees. In experiment of video detection, not only the algorithm can effectively eliminate the moving shadow, but the problem of false shadow detection is also overcome to certain extent. Experimental results showed the effectiveness of the improved method proposed in the paper in shadow removal.

KeywordsImproved statistical histogramNeighborhood compressionOSTU image enhancementShadow removal

0引言

近年來(lái)，伴隨著智能交通系統(tǒng)的快速發(fā)展，基于視頻的運(yùn)動(dòng)車(chē)輛檢測(cè)作為智能交通系統(tǒng)的重要組成部分受到越來(lái)越多的關(guān)注。然而，在光照較強(qiáng)的交通視頻環(huán)境中，陰影成為影響目標(biāo)車(chē)輛檢測(cè)精度的主要干擾因素，對(duì)陰影進(jìn)行檢測(cè)和消除則成為當(dāng)前智能交通領(lǐng)域急需解決的問(wèn)題。目前常用的陰影去除方法主要分為兩類(lèi)：基于形狀特征的陰影去除方法和基于光譜特征的陰影去除方法[1]。

基于形狀特征的陰影去除算法需要使用場(chǎng)景、目標(biāo)和光源位置等先驗(yàn)信息來(lái)實(shí)現(xiàn)陰影的檢測(cè)和去除，適用范圍較窄[2,3]。Hsieh等人利用車(chē)道特征提出一種基于車(chē)道航線算法來(lái)分離陰影和目標(biāo)[4]；Akio Yoneyama等人建立一個(gè)聯(lián)合車(chē)輛和陰影的二維模型用于從目標(biāo)中去除陰影[5]。然而，由于這些方法對(duì)場(chǎng)景中目標(biāo)和光源方向等信息的依賴(lài)性較強(qiáng)，一旦場(chǎng)景中物體之間的關(guān)系發(fā)生變化，則該方法的陰影檢測(cè)效果較差。

基于光譜的陰影去除算法是一種利用目標(biāo)和陰影的光譜信息進(jìn)行陰影檢測(cè)的方法[6,7]。由于該方法不受光源的方向和目標(biāo)形狀等信息的影響，與利用場(chǎng)景的先驗(yàn)信息進(jìn)行陰影去除的算法相比，該方法對(duì)陰影的檢測(cè)和消除效果較好。文獻(xiàn)[8,9]提出了一種確定性非模型算法又叫DNM2(Deterministic Nonmodel-Based)算法。該算法在強(qiáng)光源、相機(jī)和背景靜止等假設(shè)條件均成立的情況下進(jìn)行陰影的檢測(cè)和消除。但由于該算法的應(yīng)用場(chǎng)合是強(qiáng)光環(huán)境，對(duì)于光線較弱或者陰影亮度不是很明顯的場(chǎng)景，算法則不能很好地應(yīng)用于實(shí)踐中。文獻(xiàn)[10]提出了一種基于HSI和C1C2C3顏色模型的CCM陰影去除算法。由于該算法僅利用HSI顏色空間信息不能很好地實(shí)現(xiàn)陰影檢測(cè)而將C1C2C3顏色模型引入的一種改進(jìn)的陰影檢測(cè)方法。該方法的陰影檢測(cè)效果較好，但是，當(dāng)目標(biāo)物體的亮度值與陰影的亮度值相似或者目標(biāo)亮度比背景亮更低時(shí)，該方法則同樣不能有效地將目標(biāo)與陰影分離，甚至將部分目標(biāo)誤判為陰影而被消除，導(dǎo)致結(jié)果不完整甚至丟失。文獻(xiàn)[11-13]中Kai-Tai Song等人提出了一種SNP2無(wú)參數(shù)統(tǒng)計(jì)算法，該算法利用陰影在RGB顏色空間中，同一區(qū)域的陰影和背景的R、G、B三分量的比例呈高斯分布特性而進(jìn)行陰影檢測(cè)的一種方法。該方法對(duì)大部分陰影的檢測(cè)效果較好，但對(duì)于圖像不敏感的區(qū)域，仍能無(wú)法徹底檢測(cè)出全部的陰影。文獻(xiàn)[14]根據(jù)光照模型不變性提出一種基于局部強(qiáng)度比例特征的算法進(jìn)行陰影檢測(cè)，該方法的使用方位仍然只局限于強(qiáng)光下。

針對(duì)上述算法的缺點(diǎn)和不足，本文根據(jù)陰影形成的光學(xué)特征，提出一種基于改進(jìn)的自動(dòng)標(biāo)記算法與OSTU雙閾值圖像增強(qiáng)算法相結(jié)合的陰影消除新算法。該算法的陰影去除過(guò)程主要分為三步：(1) 使用改進(jìn)的統(tǒng)計(jì)直方圖算法進(jìn)行背景圖像的提取和更新；(2) 通過(guò)背景差分算法實(shí)現(xiàn)包含移動(dòng)陰影的前景目標(biāo)提取；(3) 使用改進(jìn)的自動(dòng)標(biāo)記算法和基于OSTU雙閾值灰度增強(qiáng)算法進(jìn)行陰影的有效去除。

1背景圖像的生成

采集的視頻流中往往包含其他比較復(fù)雜的信息，為了獲得較為純凈的運(yùn)動(dòng)前景，背景圖像的獲得是一個(gè)必不可少的流程。因此，本文選擇對(duì)常用的背景更新算法——統(tǒng)計(jì)直方圖算法進(jìn)行改進(jìn)，以快速獲得較為準(zhǔn)確的背景圖像。改進(jìn)的背景更新算法的基本思想如下：首先通過(guò)求方差的方法獲取劃分窗口記錄的最佳誤差范圍R，然后為每個(gè)像素點(diǎn)設(shè)置一個(gè)大小包含N個(gè)記錄的窗口，每個(gè)記錄中記錄該點(diǎn)在允許的誤差范圍R內(nèi)的像素?cái)?shù)值及其出現(xiàn)的次數(shù)。當(dāng)窗口填滿(mǎn)后，新出現(xiàn)的值替換掉計(jì)數(shù)最小的記錄，這樣就保證經(jīng)常出現(xiàn)的像素值得以積累，而不經(jīng)常出現(xiàn)的像素?cái)?shù)值會(huì)被替換掉。由于窗口長(zhǎng)度有限，當(dāng)背景發(fā)生變化后，N幀圖像過(guò)后就可以得到新的背景圖像，背景更新周期較短。具體的背景實(shí)現(xiàn)如下：

(1)

(2)

(3)

m=Max(C1,C2,…,Ci,…,CN)1≤i≤N

(4)

B(x,y)=(1-α)Tm-1(x,y)+αTm(x,y)0≤α≤1

(5)

式(3)中fM(x,y)表示坐標(biāo)M(x,y)處的像素值，i表示窗口記錄的序號(hào)，N表示窗口中所含記錄的個(gè)數(shù)，Ri(x,y)表示窗口中第i個(gè)記錄的像素值，R表示允許的像素誤差范圍(通過(guò)實(shí)驗(yàn)可知為5)，實(shí)際上將像素按R大小分組以平均誤差，而Ci表示第i個(gè)記錄的計(jì)數(shù)值。當(dāng)fM(x,y)與第i個(gè)記錄中的像素?cái)?shù)值允許的范圍之內(nèi)時(shí)，Ci就會(huì)自增1。否則，如果所有N個(gè)記錄中沒(méi)有與fM(x,y)相同的值，就插入該記錄或替換計(jì)數(shù)最小的記錄，并將該記錄的計(jì)數(shù)設(shè)為1。

式(4)中m表示N個(gè)記錄中計(jì)數(shù)最大的記錄序號(hào)。

式(5)表示更新M(x,y)點(diǎn)處背景像素值，α表示更新速率，值越大，新的像素?cái)?shù)值對(duì)背景影響就越大。

當(dāng)用M(x,y)點(diǎn)出的像素?cái)?shù)值fM(x,y)來(lái)更新背景時(shí)，只要新的像素?cái)?shù)值與記錄表中的像素?cái)?shù)值相差在范圍(0,R)內(nèi)，就認(rèn)為該像素?cái)?shù)值就是背景像素值，這樣就減少了直方圖統(tǒng)計(jì)的項(xiàng)數(shù)，也就減少了查找記錄表的時(shí)間。然而視頻中的背景并不是一直不變的。當(dāng)光照等外部環(huán)境出現(xiàn)變化，背景也會(huì)跟著發(fā)生變化，但是背景的變化會(huì)有一個(gè)過(guò)程，而不是突變的，如攝像機(jī)移動(dòng)過(guò)程中還未適應(yīng)光照的變化等造成光照不穩(wěn)定等突變。設(shè)置更新速率α，將α限制在小于1的范圍內(nèi)，就減小了由于突變產(chǎn)生的影響，同時(shí)不會(huì)對(duì)原來(lái)統(tǒng)計(jì)的背景產(chǎn)生較大的影響。

采用該算法獲取的背景圖像較好且實(shí)時(shí)性高。具體選取實(shí)驗(yàn)數(shù)據(jù)Highway I的第50幀的背景更新效果進(jìn)行比較，結(jié)果如圖1所示。

圖1　背景更新效果比較

2前景運(yùn)動(dòng)車(chē)輛的提取

背景圖像的獲得是進(jìn)行前景目標(biāo)提取的前提。獲取前景目標(biāo)的方法有很多，如光流法、幀間差分算法以及背景差分算法等[15]。本文為滿(mǎn)足交通視頻實(shí)時(shí)性的要求，選取簡(jiǎn)單、容易實(shí)現(xiàn)、實(shí)時(shí)性好的的背景差分算法作為提取前景運(yùn)動(dòng)車(chē)輛的方法。

(6)

式中，Th為根據(jù)經(jīng)驗(yàn)預(yù)先設(shè)定的閾值。

根據(jù)背景差分算法進(jìn)行前景提取獲得的運(yùn)動(dòng)車(chē)輛如圖2所示。

圖2　背景差分算法獲取的前景目標(biāo)

3基于改進(jìn)的自動(dòng)標(biāo)記和OSTU雙閾值圖像增強(qiáng)陰影消除新算法

從圖2可以看出，通過(guò)背景差分算法獲得運(yùn)動(dòng)車(chē)輛形狀發(fā)生了極度的變形，造成這一現(xiàn)象產(chǎn)生的原因是由于陰影的存在。通過(guò)閱讀文獻(xiàn)可知：在光照較強(qiáng)的環(huán)境中，陰影是由于太陽(yáng)光或者環(huán)境光照被物體遮擋而產(chǎn)生的一種物理現(xiàn)象。根據(jù)太陽(yáng)光照是否全部或者部分被遮擋，可以將陰影分為兩種：本影和半影。本影是由于太陽(yáng)光照被全部遮擋，只有環(huán)境光而產(chǎn)生的一種陰影；而半影則是由于太陽(yáng)光照被部分遮擋而產(chǎn)生的一種現(xiàn)象。根據(jù)明暗程度的不同，可以將交通視頻流中的一副灰度圖像劃分目標(biāo)車(chē)輛、本影、半影和背景四個(gè)區(qū)域。由于本文是以包含移動(dòng)陰影的目標(biāo)車(chē)輛作為研究對(duì)象，故本文首先通過(guò)第1、2節(jié)的算法提取出包含移動(dòng)陰影的運(yùn)動(dòng)車(chē)輛，再使用改進(jìn)的自動(dòng)標(biāo)記算法和OSTU雙閾值圖像增強(qiáng)算法對(duì)其進(jìn)行處理。最后再次通過(guò)背景差分算法獲取去除陰影的運(yùn)動(dòng)車(chē)輛。陰影去除算法的結(jié)構(gòu)框圖如圖3所示。

圖3　本文算法的框圖

3.1改進(jìn)的目標(biāo)標(biāo)記算法

目標(biāo)標(biāo)記算法是一種以當(dāng)前二值圖像為研究對(duì)象的目標(biāo)識(shí)別方法。該方法通過(guò)在二值圖像中尋找連通區(qū)域，相互連接的目標(biāo)點(diǎn)則被判斷為屬于同一個(gè)目標(biāo)點(diǎn)，各個(gè)不同的連通區(qū)域?qū)?yīng)不同的目標(biāo)。通過(guò)自動(dòng)標(biāo)記過(guò)程可以獲得目標(biāo)的個(gè)數(shù)、位置、輪廓等特征，從而為目標(biāo)的后續(xù)處理提供有效的幫助[16]。

然而，由于目標(biāo)標(biāo)記算法需要標(biāo)記運(yùn)動(dòng)目標(biāo)的信息比較多，時(shí)間消耗量大，不利于視頻的實(shí)時(shí)性應(yīng)用。本文選擇對(duì)像素點(diǎn)的相鄰區(qū)域進(jìn)行壓縮，大大減少了自動(dòng)標(biāo)記的計(jì)算量，提高了計(jì)算速度，為算法的實(shí)時(shí)性應(yīng)用提供了更優(yōu)越的條件。算法的改進(jìn)過(guò)程主要分為三個(gè)步驟，如圖4所示。

圖4　目標(biāo)標(biāo)記算法過(guò)程圖

(1) 采用一個(gè)3×3的模板對(duì)圖像b中的9個(gè)像素點(diǎn)轉(zhuǎn)換為圖像c中1個(gè)像素點(diǎn)。轉(zhuǎn)換原則：若圖像b中的一個(gè)連通域9個(gè)像素點(diǎn)有超過(guò)6個(gè)像素?cái)?shù)值為1的點(diǎn)則將此連同區(qū)域認(rèn)為是一個(gè)目標(biāo)點(diǎn)并設(shè)置其像素?cái)?shù)值為1 ；否則為背景，像素?cái)?shù)值設(shè)置為0。

(2) 對(duì)所得的圖像c進(jìn)行行掃描。當(dāng)掃描到第一個(gè)坐標(biāo)點(diǎn)(m,k)的像素為1時(shí)，并對(duì)該行繼續(xù)向右掃描，依次查詢(xún)?cè)撔邢袼貫?的目標(biāo)點(diǎn)，直至(m,n)=0，便可停止向右查詢(xún)。且將所有像素?cái)?shù)值為1的像素加入到目標(biāo)數(shù)組中，像素?cái)?shù)值保持不變。然后繼續(xù)對(duì)下一行的像素點(diǎn)進(jìn)行掃描，若(m+1,k-1)到(m+1,n)之間的點(diǎn)中存在像素?cái)?shù)值為0的點(diǎn)，則對(duì)該行第一個(gè)像素?cái)?shù)值為1的點(diǎn)(m+1,l)(k-1≤l≤n)向左向右分別擴(kuò)展s及q個(gè)像素點(diǎn)。將(m+1,l-s)至(m+1,l+q)之間的像素點(diǎn)全部加入到目標(biāo)數(shù)組中，并將此區(qū)間的像素?cái)?shù)值全部賦值為1，同時(shí)對(duì)上一行區(qū)間在(m+1-1,l-s-1)至(m+1-1,l+q+1)及下一行區(qū)間在(m+1+1,l-s-1)至(m+1+1,l+q+1)之間的像素點(diǎn)進(jìn)行掃描。如果他們之間存在像素?cái)?shù)值為1的點(diǎn)，則繼續(xù)重復(fù)上述操作，直至某一區(qū)間的像素點(diǎn)全部為1終止，則該目標(biāo)搜索完成。

(3) 當(dāng)所有目標(biāo)搜索完畢以后，需要對(duì)各個(gè)目標(biāo)的上、下、左、右四個(gè)方向外擴(kuò)三個(gè)像素點(diǎn)，以獲得較為準(zhǔn)確的目標(biāo)區(qū)域，找出區(qū)域重心對(duì)其標(biāo)記。

3.2基于OSTU雙閾值灰度增強(qiáng)算法

OSTU雙閾值圖像增強(qiáng)算法是一種基于OSTU雙閾值圖像分割的灰度增強(qiáng)算法。該方法將一副灰度圖像分割為三個(gè)區(qū)域，并按照一定的要求突出圖像中某一區(qū)域的特征，同時(shí)削弱或去除某些不需要的以及給目標(biāo)造成干擾的信息。該算法的基本思想：首先采用OSTU雙閾值圖像分割算法計(jì)算三個(gè)不同區(qū)域之間的類(lèi)間方差，使類(lèi)間方差達(dá)到最大值的兩個(gè)像素個(gè)數(shù)作為劃分不同區(qū)域的最佳分割閾值；然后，對(duì)所得的不同區(qū)域內(nèi)的像素點(diǎn)分別累加預(yù)先給定的經(jīng)驗(yàn)數(shù)值以完成圖像的灰度增強(qiáng)。

設(shè)一副灰度圖像包含L個(gè)灰度級(jí)，閾值m1及m2(m1

(7)

灰度均值為：

(8)

(9)

(10)

(11)

類(lèi)間方差為：

g(m1,m2)=pA(μA-μO(píng))2+pB(μB-μO(píng))2+

pC(μC-μO(píng))2

(12)

對(duì)各區(qū)域進(jìn)行不同程度的灰度增強(qiáng)：

(13)

3.3改進(jìn)的自動(dòng)標(biāo)記算法與OSTU雙閾值灰度增強(qiáng)相融合的運(yùn)動(dòng)車(chē)輛陰影去除算法

本文通過(guò)第1、2節(jié)分別獲得了交通背景圖像和包含移動(dòng)車(chē)輛陰影的前景二值圖像。接著則采用改進(jìn)的自動(dòng)標(biāo)記算法和OSTU雙閾值灰度增強(qiáng)相融合的運(yùn)動(dòng)車(chē)輛陰影去除算法進(jìn)行數(shù)據(jù)的后續(xù)處理。首先，對(duì)前景二值圖像中的每一個(gè)連通區(qū)域使用改進(jìn)的自動(dòng)標(biāo)記算法進(jìn)行標(biāo)記；其次，對(duì)前景二值圖像中帶有標(biāo)記的連通域和與其對(duì)應(yīng)的當(dāng)前圖像和背景圖像進(jìn)行一系列的運(yùn)算即得標(biāo)記位置處實(shí)際的車(chē)輛前景(前景)和背景，同時(shí)對(duì)車(chē)輛前景使用OSTU雙閾值圖像分割算法進(jìn)行區(qū)域分割并對(duì)所得的分割區(qū)域進(jìn)行不同程度的灰度增強(qiáng)；最后，將標(biāo)記位置處對(duì)應(yīng)的增強(qiáng)圖像和背景圖像進(jìn)行差分運(yùn)算以獲得消除陰影的實(shí)際前景車(chē)輛。陰影消除算法的整體實(shí)現(xiàn)步驟如下：

1) 背景更新：對(duì)交通視頻圖像f(x,y)使用改進(jìn)的統(tǒng)計(jì)直方圖背景更新算法獲得交通視頻的背景圖像,即B(x,y)。

2) 前景目標(biāo)圖像的獲得：對(duì)當(dāng)前交通圖像f(x,y)和從式(5)獲得的背景圖像B(x,y)進(jìn)行背景差分運(yùn)算以得到包含移動(dòng)車(chē)影的前景二值圖像F(x,y)；

3) 自動(dòng)標(biāo)記：使用改進(jìn)的自動(dòng)標(biāo)記算法對(duì)獲得的前景二值圖像F(x,y)進(jìn)行標(biāo)記，記為F′(x,y)，同時(shí)將F′(x,y)與當(dāng)前幀圖像f(x,y)與背景圖像B(x,y)做運(yùn)算來(lái)獲得原始的車(chē)輛圖像f′(x,y)和背景圖像B′(x,y)；

4) 計(jì)算最佳閾值：對(duì)獲得標(biāo)記的區(qū)域f′(x,y)使用OSTU雙閾值圖像分割方法進(jìn)行圖像分割以獲得分割區(qū)域的最佳分割閾值m1和m2。

5) 灰度增強(qiáng)：根據(jù)閾值m1及m2與標(biāo)記車(chē)輛區(qū)域f′(x,y)對(duì)應(yīng)的背景區(qū)域B′(x,y)，對(duì)獲得的分割區(qū)域進(jìn)行不同程度的灰度增強(qiáng)。若f′(x,y)

6) 陰影去除：B′(x,y)和f′(x,y)再次進(jìn)行背景差分運(yùn)算，將所得的二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)等處理，得到消除車(chē)影的前景目標(biāo)(該算法對(duì)于過(guò)度復(fù)雜的環(huán)境，可能需要多次的背景差分)。

通過(guò)上述步驟即可獲得較為準(zhǔn)確的前景車(chē)輛，具體見(jiàn)第4節(jié)實(shí)驗(yàn)結(jié)果與分析。

4實(shí)驗(yàn)結(jié)果與分析

本文選擇采用本文算法與當(dāng)前文獻(xiàn)中比較經(jīng)典的3種陰影去除算法在主觀性和客觀性?xún)蓚€(gè)方面進(jìn)行比較。實(shí)驗(yàn)數(shù)據(jù)選取公開(kāi)的交通視頻流，詳細(xì)的視頻數(shù)據(jù)如表1所示。文中所有算法均在硬件環(huán)境：操作系統(tǒng)WIN 7、CPU為i5、2.5 GHz、內(nèi)存為4 GB；軟件編譯環(huán)境：VS2010與OpenCV 2.4.3下進(jìn)行調(diào)試。

表1　實(shí)驗(yàn)數(shù)據(jù)詳細(xì)參數(shù)

4.1主觀評(píng)價(jià)

為了證明本文算法的實(shí)驗(yàn)結(jié)果具有較好的主觀效果，選取DNM2、SNP2以及CCM三種著名的陰影消除算法進(jìn)行比較。詳細(xì)比較效果如圖5所示。(a) 為實(shí)驗(yàn)過(guò)程中選取視頻流的某一幀原始圖像，其余的則為當(dāng)前文獻(xiàn)中存在的幾個(gè)經(jīng)典的陰影去除算法以及本文提出的算法獲取的實(shí)驗(yàn)結(jié)果。從圖5中可以看出，在不影響車(chē)輛識(shí)別和跟蹤的前提下，采用本文所提的陰影消除算法不僅可以對(duì)交通視頻中存在的移動(dòng)陰影進(jìn)行很好的去除，而且保證了車(chē)輛的完整性。然而，對(duì)于通過(guò)DNM2算法、CCM算法以及SNP2算法所獲取的試驗(yàn)結(jié)果，雖然可以檢測(cè)出大部分的車(chē)輛陰影并消除，但是，對(duì)于目標(biāo)車(chē)輛顏色與背景圖像顏色相差不大時(shí)，容易將部分目標(biāo)車(chē)輛判斷為陰影，造成車(chē)輛形狀發(fā)生變形或者基本消失(如圖中白色矩形區(qū)域所示)。

圖5　陰影消除算法的主觀比較

4.2客觀評(píng)價(jià)

為保證實(shí)驗(yàn)結(jié)果的可靠性，選取文獻(xiàn)[17]提出的陰影辨別率η和檢測(cè)率ξ作為評(píng)價(jià)算法性能的指標(biāo),并參考文獻(xiàn)[18]將兩者求和取均值來(lái)進(jìn)一步分析其性能，具體定義如下：

其中，ΤPF表示正確檢測(cè)到的前景像素個(gè)數(shù)，F(xiàn)NF表示將前景像素誤檢為陰影像素的個(gè)數(shù)，ΤPS表示正確檢測(cè)到陰影像素的個(gè)數(shù)，F(xiàn)NS表示將陰影像素誤檢為前景像素的個(gè)數(shù)。

表2列出了本文算法與當(dāng)前文獻(xiàn)中存在的3種比較好的陰影檢測(cè)算法進(jìn)行比較。通過(guò)數(shù)據(jù)對(duì)比可以看出，文中所提出的算法明顯優(yōu)于已經(jīng)存在的其他算法。尤其在Highway I 與Campus兩個(gè)實(shí)驗(yàn)視頻中，陰影的檢測(cè)率較高，但是對(duì)于光照較強(qiáng)，陰影區(qū)域較小的Highway II，雖然沒(méi)有錯(cuò)誤地將前景像素檢測(cè)為陰影，但是也沒(méi)有檢測(cè)到正確的陰影像素。因此，除了Highway II視頻的檢測(cè)效果除外，本文所提算法與DNM2、CCM以及SNP2三種陰影檢測(cè)算法相比，Avg的檢測(cè)率分別提高12.62、11.95、 5.82以及6.92、4.84、0.5個(gè)百分點(diǎn)。

表2　陰影消除算法的量化結(jié)果比較(%)

根據(jù)表2的內(nèi)容 ，本文通過(guò)圖6對(duì)Highway I的陰影辨別率η、陰影檢測(cè)率ξ進(jìn)行表示。從圖中可以看出，對(duì)于Highway I視頻序列，本文提出的陰影檢測(cè)算法與其他三種陰影檢測(cè)算法相比，不僅陰影辨別率明顯優(yōu)于其他算法，而且在大部分視頻幀中，該算法的陰影檢測(cè)率也相對(duì)比較高。

圖6　視頻Highway I的定量評(píng)價(jià)

5結(jié)語(yǔ)

本文在改進(jìn)的背景更新算法的基礎(chǔ)上提出了一種基于改進(jìn)的自動(dòng)標(biāo)記算法和OSTU雙閾值圖像增強(qiáng)相結(jié)合的陰影消除算法。該算法通過(guò)對(duì)固定窗口統(tǒng)計(jì)算法和背景差分算法獲取的前景二值圖像進(jìn)行標(biāo)記并對(duì)圖像中標(biāo)記位置處實(shí)際的前景圖像使用OSTU雙閾值分割算法進(jìn)行分割。最后對(duì)所得的分割區(qū)域進(jìn)行不同程度的灰度增強(qiáng)以達(dá)到陰影消除的目的。實(shí)驗(yàn)結(jié)果分析表明：利用分組可以減少統(tǒng)計(jì)直方圖的計(jì)算量，從而減少了基于統(tǒng)計(jì)直方圖背景更新算法的運(yùn)行時(shí)間，保證了實(shí)時(shí)性；OSTU雙閾值分割算法根據(jù)前景車(chē)輛、本影以及半影的明暗程度能夠?qū)ψ詣?dòng)標(biāo)記位置處的圖像進(jìn)行很好地分割并通過(guò)圖像增強(qiáng)和背景差分方法實(shí)現(xiàn)了移動(dòng)陰影的有效去除。

參考文獻(xiàn)

[1] 劉懷愚,李璟,洪留榮.基于多特征融合的運(yùn)動(dòng)車(chē)輛陰影消除方法[J].計(jì)算機(jī)工程,2011,37(13):156-159.

[2] Saroj K Mehera,M N Murty.Efficient method of moving shadow detection and vehicle classification[J].International Journal of Electronics and Communications,2013,67(8):665-670.

[3] 張紅穎,李鴻,孫毅剛.基于混合高斯模型的陰影去除算法[J].計(jì)算機(jī)應(yīng)用,2013,33(1):31-34.

[4] Hsieh J W,Yu S H,Chen Y S,et al.A shadow elimination method for vehicle analysis[C]//Proc.ICPR,Cambridge,UK,2004,4:372-375.

[5] Yoneyama A,Yeh C H,Kuo C C J.Moving cast shadow elimination for robust vehicle extraction based on 2-D joint vehicle/shadow models[C]//Proc. ICAVSBS,Miami,FL,2003:21-22.

[6] 曹健,陳紅,張凱,等.結(jié)合區(qū)域顏色和紋理的運(yùn)動(dòng)陰影檢測(cè)方法[J].機(jī)器人,2011,33(5):628-633.

[7] Prati A,Mikic I,Trivedi M M,et al.Detecting moving shadows:Algorithms and evaluation[J].IEEE Trans. Pattern Anal. Mach. Intell.,2003,25(7):918-923.

[8] Gevers T,Stokman H.Classifying color edges in video into shadow-geometry,highlight,or material transitions[J].IEEE Trans.Multimedia,2003,5(2): 237-243.

[9] Jurgen Stauder,Roland Mech,Jorn Ostermann.Detection of Moving Cast Shadows for Object Segmentation[J].IEEE Transactions on Multimedia,1999,1(1):65-76.

[10] Sun B,Li S.Moving cast shadow detection of vehicle using combined color models[C]//Chinese Conf. on Pattern Recognition,IEEE,Chongqing,China,2010:1-5.

[11] Kaitai Song,Jenchao Tai.Detection of Moving Cast Image-Based Traffic Monitoring[J].Proceedings of the IEEE,2007,95(2):413-426.

[12] Jiangyan Dai,Miao Qi,Xiaoxi Yu,et al.Integrated moving cast shadows detection method[J].Optical Engineering,2012,51(11):117005-1-14.

[13] Miao Qi,Jiangyan Dai,Qi Zhang,et al.Cascaded cast shadow detection method in surveillance scenes[J].Optik,2014,125(3):1396-1400.

[14] 向金海,廖紅虹,樊恒,等.基于局部強(qiáng)度比率特征的前景檢測(cè)[J].計(jì)算機(jī)科學(xué),2014,41(3):293-296.

[15] 嚴(yán)紅亮,王福龍,劉志煌,等.基于ViBe算法的改進(jìn)背景減去法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2013,23(6):130-134.

[16] 王明佳,王延杰,張旭光.利用鄰域象素合成實(shí)現(xiàn)對(duì)目標(biāo)的快速自動(dòng)標(biāo)記[J].微型機(jī)與應(yīng)用,2005(9):49-51.

[17] Andrea Prati,Ivana Mikic,Mohan M Trivedi,et al.Detecting Moving Shadows:Algorithms and Evaluation[J].IEEE Transactions on Patternan Alysis and Machine Intelligence,2003,25(7):918-923.

[18] Ajay J Joshi,Nikolaos Papanikolopoulos.Learning of moving cast shadows for dynamic environments[C]//IEEE International Conference on Robotics and Automation.Pasadena:CA,2008:987-992.

中圖分類(lèi)號(hào)TP391

文獻(xiàn)標(biāo)識(shí)碼A

DOI:10.3969/j.issn.1000-386x.2016.02.044

收稿日期：2014-07-29。河南國(guó)際科技合作項(xiàng)目(084300510 065)；河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目(13A520340)；江蘇省自然科學(xué)基金項(xiàng)目(BK20130235)；河南省高等學(xué)校礦山信息化重點(diǎn)學(xué)科開(kāi)放實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目(KZ2012-02)；河南理工大學(xué)博士基金項(xiàng)目(B20 10-95)。朱世松，副教授，主研領(lǐng)域：圖像處理。張海燕，碩士生。張翠云，講師。朱洪錦，講師。