，，

(河南科技大學 電氣工程學院，河南 洛陽 471023)

邊緣雙輪廓線陰影去除研究

聶曉，邱聯(lián)奎，方健豪

(河南科技大學電氣工程學院，河南洛陽471023)

為去除陰影對運動目標檢測的影響，在傳統(tǒng)基于顏色空間特性的陰影檢測法基礎上，綜合邊緣特征進行快速雙輪廓陰影去除;通過前景物體的輪廓線形狀特征及陰影與光源之間投影位置關系快速找到陰影定位點，在定位點附近輪廓線上結(jié)合灰度及顏色特性進行有針對性的搜索，找陰影與物體的交界點位置，標記為陰影的外輪廓線；根據(jù)外輪廓線長度和位置，求出S空間與之相對應內(nèi)輪廓線，此時的外輪廓線包圍陰影區(qū)域;最后，對該封閉的不規(guī)則陰影輪廓線進行基于像素點的校正和標記，并對物體反光面的自陰影進行H空間去除，得到更精確的去陰影效果;實驗結(jié)果表明，該方法快速且有針對性的鎖定陰影區(qū)域進行陰影去除，避免物體區(qū)域誤檢測，有較好的實時性和準確性。

運動目標檢測；陰影去除；雙輪廓線；邊緣特征

0 引言

在計算機視覺技術(shù)中，通過對攝像機獲得的視頻序列進行分析處理，獲得其中感興趣的目標物體形狀、位置等信息，進而對連續(xù)視頻序列中同一目標物體進行識別和關聯(lián)，最終得到目標的運動軌跡等相關數(shù)據(jù)，以此為依據(jù)進行相應的控制操作。因此運動目標檢測的準確性是進行后續(xù)跟蹤處理的重要關鍵環(huán)節(jié)。

目前最常用的運動目標檢測方法主要有：光流場法、幀間差分法[1]和背景減除法[2]。背景減除法用在攝像機靜止或背景固定的場景中，通過將當前幀圖像與背景圖像相減，從而得到運動的前景物體，是目前最常用的檢測方法。但是檢測過程中存在許多影響的因素，使運動目標檢測的過程充滿了特殊性和復雜性。

其中，陰影[3]顯著異于背景而被理解為前景，與目標物體粘連，具有運動一致性，常常被誤檢測為運動目標的一部分。陰影的存在改變了運動物體形狀，使質(zhì)心等幾何特性[4]也出現(xiàn)誤差，影響運動目標的定位、測量[5]和跟蹤及多運動目標分割。增加了運動目標檢測的難度，對后續(xù)的識別、跟蹤造成了不良的影響。

陰影可以分為投影和自陰影。投影對應光源被物體完全封閉和半封閉的區(qū)域，獨立于物體存在。自陰影是物體反光面一側(cè)上的陰影，屬于物體的一部分。當前的陰影檢測方法分為基于陰影模型的方法和基于陰影特征的方法。由于陰影模型的建立需要考慮復雜的場景、光照等因素，局限性比較大并不具有通用性。而基于陰影特征[6]的方法則是結(jié)合了圖像紋理、灰度值、亮度以及色彩[7]信息等幾何特性來進行判斷，對不同場景和光照有較強的魯棒性。

文獻[8]根據(jù)陰影和RGB三通道彩色直方圖的分布特性，假設陰影區(qū)域和相應的背景亮度區(qū)域之間呈線性比例關系，利用比例系數(shù)，對前景陰影進行亮度補償，然后重新進行背景減除法，達到去除陰影的效果；文獻[9]利用前景目標區(qū)域通常比陰影區(qū)域亮度更大這一特性，通過亮度能量值和形狀大小值進行陰影檢測，利用Sobel算子得到邊緣輪廓特征，再通過膨脹腐蝕方法求出陰影區(qū)域；該方法計算量大，且對噪聲敏感。文獻[10]同時利用顏色和邊緣信息，重新定義顏色空間模型及陰影檢測算子，又通過Sobel算子得到邊緣信息，對兩種方法所得結(jié)果進行布爾運算，進而求出陰影區(qū)域。文獻[11]采用基于位置和邊緣特性的背景差分去陰影法，對圖像邊緣進行水平和垂直投影，采用統(tǒng)計建模方法建立背景模型，針對傳統(tǒng)HSV顏色空間在背景亮度比較低，及背景與前景有相近色度時，陰影檢測結(jié)果出現(xiàn)穩(wěn)定的情況，提出了結(jié)合陰影位置和邊緣特性的檢測方法?；诮y(tǒng)計模型的方法計算量非常大，如何選擇合適的參數(shù)是一個嚴重的問題，文獻[12]采用由粗糙到精細的步驟去除陰影，先通過高斯模型法求出粗略的前景物體，再求取前景物體的矩和質(zhì)心，計算方位角，進而得出前景物體與陰影的連接點。文獻[13]對目前主要的陰影檢測及陰影去除的各種方法進行總結(jié)和分析。指出針對目前檢測方法的相對獨立性，未來的研究方向為多特征融合的陰影檢測技術(shù)。

圖1中表述目前存在問題：(a)基于像素值的檢測，陰影內(nèi)部有空洞，且邊緣檢測不完整。(b)與陰影顏色和紋理特性相近的目標物體被誤檢測為陰影，不能使陰影檢測有的放矢，只在陰影區(qū)域內(nèi)進行處理。(c)考慮陰影與光源之間位置關系，采用基于質(zhì)心和方向角的計算，不僅計算量大，隨陰影與物體所占像素比例關系，結(jié)果有大偏差。(d)直接求取物體和陰影交點，缺乏陰影位置的預判，提高了計算處理的復雜度，降低了交點求取結(jié)果的可靠性。(e)采用像素點直方圖統(tǒng)計特性判斷陰影與物體交界點，沒有結(jié)合其它陰影特征。

圖1 陰影檢測存在的問題和待解決方法

本文在傳統(tǒng)陰影去除法基礎上，綜合考慮光源與陰影的投影位置關系，提出了改進的HSV空間顏色特性和邊緣輪廓特性相結(jié)合的陰影檢測方法?？焖俣ㄎ坏疥幱皡^(qū)域，避免與陰影色度相近的前景物體被誤處理。對陰影輪廓線基于像素點水平的修改調(diào)整使其光滑完整。由于對陰影區(qū)域進行了預判，提高了物體與陰影輪廓交界點判斷結(jié)果的可靠性。去除投影和自陰影對運動目標檢測的影響，且有較快的實時性和準確性，有效解決圖1中的問題。

1 背景模型的建立和更新

基于混合高斯模型的背景減除法是目前最常用的運動目標檢測方法。GMM對每一個像素都采用多個高斯模型來描述，較好的抑制動態(tài)背景對運動目標檢測的影響。本文將鄰幀差分法和背景減除法結(jié)合，把當前幀圖像區(qū)域分為運動區(qū)域和非運動區(qū)域。分別進行混合高斯模型訓練，實現(xiàn)背景的選擇性更新。

D(x,y)=|IK-IK-1|

(1)

(2)

wi,t=(1-α)wi,t-1+αMt(x,y)

(3)

(4)

為了克服光線變化對背景模型的影響，利用前100幀圖像和當前幀圖像的值進行背景圖像更新：

(5)

其中:D(x,y)為幀間差分結(jié)果,Mt(x,y)為匹配系數(shù)，T1為設定閾值，L數(shù)值100，Bk、Bk-1為更新后的背景模型和當前背景模型，Ik-1是前一幀圖像。

2 陰影檢測

2.1 陰影區(qū)域位置預判

在通常情況下，物體與其在地面上的投影呈垂直狀態(tài)，觀察者在不同角度都將看到一個立體的“L”形圖像，如圖2b所示?！癓”的兩個端點分別為物體和陰影的頂端。像素點的數(shù)值在RGB顏色空間分布是不均勻的，而陰影區(qū)域的RGB元素值分布均勻、方差較小。根據(jù)色度分布特性，對目標物體最上、最下、最左和最右端的輪廓點色度特性進行比較，排除物體點，找到疑似陰影點P的位置。完成圖像中陰影區(qū)域方位的預判，避免將目標物體區(qū)域中與陰影相似的元素點被誤處理，發(fā)生錯誤的陰影替換，提高了陰影檢測的準確性。同時限制了運算處理范圍，加快了程序運行的速度，也提高了陰影檢測的實時性。

本文提出方法的具體流程步驟如圖3。

圖2 物體與自身陰影呈“L”形

圖3 邊緣雙輪廓陰影去除算法示意圖

2.2 內(nèi)外輪廓線求取

2.2.1 陰影與物體交界點和陰影外輪廓線

邊緣輪廓包含著物體最基本的形狀特征，大部分陰影內(nèi)部沒有復雜的紋理信息，這些特性主要集中在陰影與背景、陰影與物體的接觸邊緣。本文中的外輪廓線So是陰影與背景區(qū)域的交界線，內(nèi)輪廓線SI是S空間中陰影與目標物體的交界線。則內(nèi)外輪廓線之間的區(qū)域就是陰影區(qū)域。通過背景減法求得包含陰影在內(nèi)的前景運動物體灰度圖像，對該灰度圖像進行閾值化處理獲得其二值圖像D：

(6)

其中:IF(i,j)為前景圖像元素，IB(i,j)為背景圖像元素，th為設定的閾值，D(i,j)為前景運動物體二值圖像元素值。然后求取二值圖像D中物體的所有外輪廓，舍棄較小的輪廓，只保留最大的目標物體輪廓線Co，即為運動物體輪廓，判斷公式如下：

if(contour[i]lt;contour[i-1])

C0=contour[i];i∈[0,contour.size]

(7)

求出目標物體輪廓線在上下左右4個方向上的端點位置，經(jīng)過“L”的形狀位置信息，灰度和色彩信息比例系數(shù)等判定條件排除物體點，找到陰影點P為，如圖4a所示。

PL=Ij,min;PR=Ij,max;PU=Ii,min;PD=Ii,max

(8)

(9)

P=PgifCg=min(Ck),g∈(L,R,D)

(10)

其中:K∈(B,G,R)，CK為顏色比例系數(shù)，N、M為以端點為中心的采樣區(qū)域長和寬，Imean為采樣區(qū)域平均值。在輪廓線Co上以P為起點分別向上和向下取陰影輪廓點，結(jié)合對應RGB空間元素值方差的大小和灰度空間相鄰元素值波動大小進行斷，找到陰影與物體的交界點：陰影的開始點B和結(jié)束點E，如圖4b所示。將其間線段標記為陰影的外輪廓So。

amp;amp;(|Di-Di-1|≤T3);i∈Co,ilt;Pi

amp;amp;(|Di-Di-1|≤T3);i∈Co,igt;Pi

(11)

2.2.2 陰影內(nèi)輪廓線

由于陰影區(qū)域只改變相應背影區(qū)域的亮度信息，不改變其色度信息。傳統(tǒng)的陰影檢測方法利用HSV顏色空間模擬人類視覺感知顏色的特性，通過相應閾值的設置，量化陰影與目標之間的差別，從而區(qū)分出目標物體和陰影。

HSV顏色空間中S空間為飽和度空間，由陰影特性可知，陰影區(qū)域飽和度降低但顏色沒有顯著變化。結(jié)合外輪廓Co的開始點B和結(jié)束點E的坐標，求出內(nèi)輪廓線SI如圖4(c)所示，將其標記為陰影，內(nèi)外輪廓線將陰影區(qū)域包圍。

圖4 陰影定位點和內(nèi)外輪廓線

2.3 陰影邊緣輪廓點修改和調(diào)整

此時求得的內(nèi)外輪廓線未經(jīng)sobel算子或腐蝕膨脹等算法操作，為原始粗糙數(shù)據(jù)。本文提出一種基于像素操作的陰影邊緣線修改方法，避免基于上述形態(tài)學算法計算量大，結(jié)果不精確的缺點，本文方法只在輪廓線拐角處丟棄一個像素，大大提高了輪廓線的修改精度。

2.3.1 內(nèi)外輪廓線的修改

對于不規(guī)則的物體，其陰影的邊界輪廓線也具有不規(guī)則性。為方便對陰影區(qū)域的標記填充，需要對內(nèi)輪廓線SI從上到下進行修改調(diào)整，消除冗余輪廓點，只保留關鍵位置輪廓點，保證輪廓點在當前行位置的唯一性，在輪廓線的行進方向上，除拐點以外每行只保留一個元素，需要去除掉的輪廓點用灰色標記。圖5(a)中輪廓的行進方向為從左到右：

為找到拐點需對輪廓線的行進方向進行判斷，取當前輪廓點C所在的行坐標為yi，根據(jù)Δy1=yi-yi-1和Δy2=yi-1-yi-2大小一致性進行判斷，不規(guī)則輪廓的拐點可以分為以下幾種情況：

1)水平行位置有多個點，Δy1=0；

2)輪廓線方向先上后下，Δy1=-1,Δy2=1；

3)輪廓線方向先下后上，Δy1=1,Δy2=-1。

圖5 拐點的修改方法

其中:P點為前一個輪廓點Ci-1，C點為當前輪廓點Ci。當出現(xiàn)l1≠l2的拐點時，首先篩選掉拐點P，然后根據(jù)當前點C后面輪廓點Ci+1出現(xiàn)的位置判斷當前輪廓點C是否保留。根據(jù)圖5中的輪廓修改辦法，修改后的內(nèi)輪廓線為Si如圖6(d)所示，調(diào)整內(nèi)輪廓元素，并對陰影區(qū)域進行填充，如圖6(e)所示。

2.3.2 對自陰影進行H空間校正

在陰影與物體交界處，由于物體表面反光而存在半影區(qū)域，進行S空間閾值分割時，該處目標物體部分區(qū)域被當作陰影處理，因此對于目標物體提取存在誤差還需進行H空間小范圍校正。

1)在H空間內(nèi)提取修改過的內(nèi)輪廓線Si的元素值{h0…h(huán)i}。

3 實驗結(jié)果

對輸入視頻進行基于三幀差分和高斯建模的背景減除法，得到包含陰影在內(nèi)的運動目標二值圖像并對背景圖像進行動態(tài)模型更新。

圖6 內(nèi)輪廓線的修改和陰影區(qū)域標記及最終效果

圖6(a)結(jié)合基于顏色特征的傳統(tǒng)陰影檢測算法和光源與物體陰影之間的投射關系可得陰影的定位點P，使得陰影檢測有的放矢，提高了快速性。圖6(b)在輪廓線上，以P為起始點分別向兩端尋找陰影與物體的交界點標記為點B和點E，標記相應的內(nèi)外輪廓線，則輪廓線中間區(qū)域的為陰影，圖像區(qū)域被分為陰影區(qū)域和物體區(qū)域，則圖6(h)顏色為黑色的盆土就不會被誤檢測為陰影。

圖6(d)為了更好的實現(xiàn)輪廓線內(nèi)區(qū)域的標記，對內(nèi)輪廓線點進行了基于像素點的修正，提出了不規(guī)則輪廓線的修改辦法，避免了腐蝕膨脹造成的誤差，提高了修改精度，效果如圖6(i)。

圖6(f)應用H空間顏色特性對由于物體反光面自陰影進行去除，避免圖6(j)一部分盆體被標記為陰影。

最終的去陰影效果圖6(k)可見，陰影被去除，目標物體邊緣完整，且與陰影特征像素的盆土沒有發(fā)生誤檢測的結(jié)果。實驗證明本文陰影去除法的針對性、快速性和準確性。

4 結(jié)束語

本文首先根據(jù)物體與光源的投影關系，進行陰影位置預判，將陰影檢測限制在一定方位內(nèi)，使相應的檢測操作有的放矢，避免將運動目標中與陰影色度相近元素被誤檢測。同時結(jié)合顏色和邊緣特性進行陰影檢測，可靠判斷物體與陰影輪廓交界點，利用不同色度空間特性，去除投影和自陰影對運動目標檢測的影響。提出了不規(guī)則輪廓邊緣線的修改辦法，為輪廓線包圍區(qū)域提供快速有效的標記，保證了陰影區(qū)域輪廓的完整性。同時對背景和前景圖片之間亮度差異進行補償，使背景模型進行選擇性更新，提高運動目標檢測的準確性和實時性。

[1] 邱聯(lián)奎, 劉啟亮, 雷文龍. 基于背景減除與三幀差分相融合的運動檢測[J]. 合肥工業(yè)大學學報(自然科學版), 2014, 37(5): 572-577.

[2]朱明旱, 羅大庸, 曹倩霞. 幀間差分與背景差分相融合的運動目標檢測算法[J]. 計算機測量與控制, 2005, 13(3): 215-217.

[3]Nijad A, Helmut E. A survey of cast shadow detection algorithms[J]. Pattern Recognition Letters, 2012, 33: 752-764.

[4]Yang W.D, Guo W, Peng K. Research on Removing Shadow in Workpiece Image Based on Homomorphic Filtering[J]. Procedia Engineering 2012, 29: 2360-2364.

[5] Lin W, Cao X. Camera calibration and geo-location estimation from two shadow trajectories[J]. Computer Vision and Image Understanding, 2010, 114: 915-927.

[6] 徐 杰, 項文波, 茅耀斌, 等. 基于區(qū)域顏色聚類的運動目標陰影檢測_徐杰[J]. 計算機技術(shù)與發(fā)展, 2016, 26(3): 193-196.

[7] Kaur H, Kaur N. Shadow Detection in Single Image using Color Spaces[J]. International Journal of Advanced Research in Computer and Communication Engineering, 2015, 4(9): 394-396.

[8] Asaidi H, Aarab A, Bellouki M. Shadow elimination and vehicles classification approaches in traffic video surveillance context[J]. Journal of Visual Languages and Computing 2014, 25: 333-345.

[9] Xiao M, Han C Z, Zhang L. Moving Shadow Detection and Removal for Traffic Sequences[J]. International Journal of Automation and Computing, 2007, 04(1): 38-46.

[10] Golchin M, Khalid F, Abdullah LN, et al. Shadow detection using color and edge information[J].Journal of Computer Science, 2013, 9(11): 1575-1588.

[11] Zhu S, Guo Z, Ma L. Shadow removal with background difference method based on shadow position and edges attributes[J]. Journal on Image and Video Processing 2012, 22: 1-15.

[12] Hsieh J W, Hu W F, Chang C J, et al. Shadow elimination for effective moving object detection by Gaussian shadow modeling[J]. Image and Vision Computing 2003, 21: 505-516.

[13] Sanin A, Sanderson C, Lovell BC. Shadow detection: A survey and comparative evaluation of recent methods[J]. Pattern Recognition, 2012, 45: 1684-1695.

[14] 黃蘇雨, 熊建強, 陳 紅,等. 改進混合高斯模型的運動目標檢測與跟蹤算法[J]. 計算機測量與控制, 2015, 23(3): 861-863.

ShadowEliminationStudyBasedonBothInnerandOuterContoursofEdge

Nie Xiao，Qiu Liankui，F(xiàn)ang Jianhao

(School of Electrical Engineering, Henan University of Science and Technology, Luoyang 471023, China)

The double contours shadow elimination method is proposed based on edge and colour features to reduce the effort of shadow in the moving target detection. The method locate the position of shadow point using shape features of the foreground object contours and the position relationship between light source and shadow, scanning for interlock points between shadow and object on the outer contour by colour features. Find the corresponding points of inner contour in the S colour space, the shadow region is enclosed within the outer and inner contours. After that, refine and mark the irregular contour through the adjustment of pixels, remove self-shadow in the H colour space for a better shadow elimination effect. The final results show that this method is efficient in locating shadow region, avoid miss operation of foreground object with similar chromaticity, and have good real-time performance and accuracy.

moving object detection; shadow elimination; double contours; feature of Edge

2017-03-09；

2017-04-12。

國家自然科學基金項目(U1504617)。

聶 曉(1988-)，女，河南南陽人，碩士研究生，主要從事運動目標檢測方向的研究。

邱聯(lián)奎(1974-)，男，河南洛陽人，副教授，碩士研究生導師，主要從事機器人視覺伺服方向的研究。

1671-4598(2017)09-0174-04

10.16526/j.cnki.11-4762/tp.2017.09.045

TP391.4

A