一種視頻圖像中運(yùn)動(dòng)車輛陰影檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，特別涉及一種視頻圖像中運(yùn)動(dòng)車輛的陰影檢測(cè)方 法。
【背景技術(shù)】
[0002] 陰影主要是物體遮擋光源而在形成的暗區(qū)域，根據(jù)陰影的特征可分為自陰影和投 射陰影。自陰影是物體本身未被光線照射的部分，視頻分析中運(yùn)動(dòng)目標(biāo)的自陰影應(yīng)屬于目 標(biāo)物體的一部分。而投射陰影是物體遮擋光源后投射在場(chǎng)景中的陰影，例如樹(shù)木、車輛、行 人等物體投射在路面上的陰影，這是視頻場(chǎng)景的一部分而非運(yùn)動(dòng)目標(biāo)。在視頻中的投射陰 影可分為靜態(tài)陰影和運(yùn)動(dòng)陰影。靜態(tài)陰影在背景建模中被逐漸融入到背景中。運(yùn)動(dòng)陰影是 由場(chǎng)景中移動(dòng)的前景目標(biāo)遮擋光線而投射在場(chǎng)景中的暗區(qū)域，隨著目標(biāo)一起運(yùn)動(dòng)。
[0003] 由于車輛投射在路面的運(yùn)動(dòng)陰影與車輛具有很相似的運(yùn)動(dòng)特征，因而運(yùn)動(dòng)陰影常 常被誤判為前景運(yùn)動(dòng)目標(biāo)的一部分。若不消除此類運(yùn)動(dòng)陰影，會(huì)導(dǎo)致前景目標(biāo)形狀畸變、多 個(gè)運(yùn)動(dòng)目標(biāo)粘連等缺陷，對(duì)后續(xù)的車輛檢測(cè)、車輛跟蹤、車型檢測(cè)等圖像處理操作產(chǎn)生很大 的影響，所以檢測(cè)運(yùn)動(dòng)車輛陰影是非常必要的環(huán)節(jié)，一直是研宄的熱點(diǎn)課題之一。
[0004] 目前，陰影檢測(cè)的算法可以分為基于陰影模型的方法、基于陰影屬性特征的方法 和基于機(jī)器學(xué)習(xí)的方法等類型。
[0005] (1)基于陰影模型的方法：主要是對(duì)視頻場(chǎng)景進(jìn)行建模，包括對(duì)光源建模和投射 方向建模等類型。在光源建模中，一是假設(shè)純白光為唯一光源，陰影是由于光線被線性衰減 造成的，另一種是假設(shè)光源是直射光（如太陽(yáng)光）和漫反射光共同作用，光線被非線性地衰 減而形成陰影。例如Nadimi和Bhanu提出了一種雙色模型，綜合考慮兩種光源對(duì)陰影區(qū)域 的影響。在投射方向建模方面，劉直芳等提出了一種投射陰影方向模型，袁基煒和史忠科在 此基礎(chǔ)上進(jìn)一步提出了八種車輛/陰影模型?；谀Ｐ偷姆椒ㄐ枰A(yù)先獲得光照條件、運(yùn) 動(dòng)目標(biāo)、場(chǎng)景等先驗(yàn)信息，在背景復(fù)雜、光照突變等眾多場(chǎng)景下，所建立的模型存在適應(yīng)性 方面的缺陷。
[0006] (2)基于陰影屬性特征的方法：主要是利用陰影的亮度、梯度、色彩、紋理等信息 來(lái)識(shí)別陰影區(qū)域。通常認(rèn)為陰影區(qū)域（特別是半影區(qū)）的亮度變低，而梯度、色度、紋理等 變化較小或忽略不計(jì)。基于特征的方法對(duì)不同的場(chǎng)景以及光照條件具有較強(qiáng)的魯棒性，但 算法的普適性尚有待提高。
[0007] (3)基于機(jī)器學(xué)習(xí)的方法：通過(guò)構(gòu)造支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等分類器模型，建立紋 理、灰度等特征的學(xué)習(xí)庫(kù)，并對(duì)分類器模型進(jìn)行訓(xùn)練學(xué)習(xí)，再由訓(xùn)練好的分類器來(lái)判別暗區(qū) 域是否為陰影。這類方法解決了自動(dòng)學(xué)習(xí)、模式識(shí)別等方面難題，但分類器的泛化能力、普 適性等方面尚待提尚。
[0008] 綜上所述，各類方法在處理陰影問(wèn)題上尚具有一定的局限性，有必要對(duì)陰影檢測(cè) 方法進(jìn)行改進(jìn)。

【發(fā)明內(nèi)容】

[0009] 鑒于此，本發(fā)明提供一種視頻圖像中運(yùn)動(dòng)車輛陰影的檢測(cè)方法，以克服現(xiàn)有方法 中存在的缺陷和不足。
[0010] 為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種運(yùn)動(dòng)車輛陰影消除方法，包括：
[0011] (1)提取運(yùn)動(dòng)車輛目標(biāo)的圖像IF和背景圖像IB后，分別轉(zhuǎn)換為YCbCr色彩空間， 獲得圖像IF和背景的亮度分量Y、色度Cb和Cr分量，然后構(gòu)建融合亮度、色度特征信息的 圖像Ifea，圖像Ifta中各點(diǎn)的其像素值為
[0013] 其中，BW為基于背景相減的運(yùn)動(dòng)目標(biāo)檢測(cè)方法所獲得的二值化前景目標(biāo)圖像，D為像素P(x，y)的鄰域，然后將圖像Ifta經(jīng)最大類間方差法求得閾值T，再將圖像Ifea中小 于閾值Tfea的像素值變?yōu)榱?，從而得到圖像Hfea;
[0014] (2)對(duì)圖像IF進(jìn)行區(qū)域分割，并計(jì)算圖像IF的各區(qū)域與其背景圖像之間色度Cb與 Cr之間差值的絕對(duì)值總和，將其最大值的區(qū)域Dseg(i)作為車輛車體的搜索起始區(qū)域，即
[0016] (3)采用邊緣算子對(duì)圖像IfJi行邊緣檢測(cè)，獲得邊緣圖像E，依最大類間方差法 求得邊緣圖像E的二值化閾值Tedge，將小于閾值的邊緣值變?yōu)榱?，得到含邊緣特征的圖 像并將圖像HfM與圖像I 行疊加，形成含有邊緣、亮度和色度信息的特征圖像M， 即
[0017] M(x,y) =Iedge+Hfea(x,y)
[0018] 其中：
[0019] (4)構(gòu)造抑制陰影區(qū)與背景邊緣的掩膜圖像，先求得二值化前景目標(biāo)圖像BW的邊 界B，沿邊界B歷遍邊界的每一點(diǎn)P(x，y)，再將P(x，y)點(diǎn)對(duì)應(yīng)鄰域L內(nèi)的像素M(x，y)設(shè)置 為零，鄰域L的寬度計(jì)算公式為
[0020] L=入?arccot[a? (dc_dz)]
[0021] 其中，A為幅度調(diào)整因子，a為變化率調(diào)整因子，d。為P(x，y)點(diǎn)到特征圖像M形 心C的距離，4為P(x，y)點(diǎn)到特征圖像M質(zhì)心Z距離，當(dāng)L〈0時(shí)，將L設(shè)置為零；
[0022] (5)獲取搜索起始區(qū)域Dseg(i)的邊界b，沿邊界b找出所有與Dseg⑴相連接的r 個(gè)區(qū)域，構(gòu)成集合[Dseg (1)，Dseg (2)…Dseg (r)]，取該集合中特征圖像M的像素平均值最大的 區(qū)域DS6g(j)，再將DS6g(j)和DS6g⑴區(qū)域合并形成更大的區(qū)域DS6g(i)，即
[0024] 其中，
，nSDseg(m)區(qū)域內(nèi)像素的個(gè)數(shù)，k為當(dāng) 前迭代計(jì)數(shù)，反復(fù)迭代直至得到的區(qū)域DS6g(i)滿足式（7)時(shí)止，即區(qū)域DS6g(i)的周邊子區(qū) 域中不再存在區(qū)域像素平均值大于閾值I的子區(qū)域，閾值I取邊界B上鄰域L寬度大于 零的區(qū)間段所觸及的區(qū)域Dseg(j)的特征圖像M像素平均值；
[0026] 區(qū)域Dseg(i)未觸及的其它子區(qū)域組成2個(gè)集合％= [Dseg(r+l)，Dseg(r+2)… Dseg(r+k)]和％= 〇)%〇^+1)，0卿〇^+2卜.0卿洲]，〇1是0^1)的相鄰子區(qū)域集合，〇2 為不與Dseg(i)相鄰的區(qū)域集合，若％和92均為空集，說(shuō)明運(yùn)動(dòng)目標(biāo)不存在陰影，即完成整個(gè) 陰影候選區(qū)域的檢測(cè)過(guò)程；否則，判斷集合Q2中區(qū)域的區(qū)域像素平均值是否大于閾值I， 若不大于則集合％和92的所有元素組成的區(qū)域?yàn)殛幱暗暮蜻x區(qū)，若大于則說(shuō)明有兩個(gè)運(yùn)動(dòng) 目標(biāo)發(fā)生了粘連，再將集合Q2按式（6)對(duì)另一個(gè)目標(biāo)進(jìn)行陰影分析，直到滿足（7)式時(shí)將 集合％和Q2的所有元素組成的區(qū)域?yàn)殛幱暗暮蜻x區(qū)；
[0027] (6)以陰影候選區(qū)為起點(diǎn)，采用區(qū)域生長(zhǎng)法搜尋陰影候選區(qū)及其周邊的陰影區(qū)域， 區(qū)域生長(zhǎng)搜尋的準(zhǔn)則為
[0028] S(j) = {P(x,y) :M(x,y) <Tedge&|Ifea(x,y)-Ifea(x+d,y+d) | < ^ 〇&Bff(x,y) = 1}
[0029] 歷遍集合％和Q2每一個(gè)元素所代表的子區(qū)域，搜索子區(qū)域內(nèi)及其周邊區(qū)域，獲得 陰影子區(qū)域S(r+1)，S(r+2)…S(N)，所有陰影子區(qū)域通過(guò)邏輯"或"運(yùn)算得到運(yùn)動(dòng)車輛的全 部陰影區(qū)域S，即
[0030]S=Dseg (r+1)IDseg (r+2)卜.Dseg (N)IS(r+1)IS(r+2)卜.S(N)〇
[0031] 所述的一種視頻圖像中運(yùn)動(dòng)車輛陰影檢測(cè)方法，所述的步驟（1)中，當(dāng)背景圖像IB 的亮度分量Y、色度Cb和Cr分量中任何通道分量偏小導(dǎo)致分母為零時(shí)，采用該通道分量的 平均值替代
[0032] 本發(fā)明同時(shí)考慮亮度、色度和邊緣梯度等多特征信息，利用陰影區(qū)亮度是其背景 的比例衰減且色度變化微小等特點(diǎn)，采用運(yùn)動(dòng)目標(biāo)圖像與其背景圖像的亮度、色度分量之 間的衰減比例值，構(gòu)造出陰影特征圖像。該特征圖像有效地衰減了陰影區(qū)域的紋理，并進(jìn)一 步增強(qiáng)非陰影區(qū)的紋理。在圖像區(qū)域分割后，以色度差最大的區(qū)域?yàn)槠瘘c(diǎn)搜索車輛本體區(qū) ±或，而未觸及的剩余區(qū)域視為陰影候選區(qū)。再?gòu)母麝幱昂蜻x區(qū)出發(fā)搜索其周邊區(qū)域，最終整 合所有陰影子區(qū)域，獲得車輛的整個(gè)陰影區(qū)域。與現(xiàn)有陰影檢測(cè)方法相比，實(shí)驗(yàn)結(jié)果表明： 所提出的方法能自主判別是否存在陰影，具有良好的陰影檢測(cè)性能和普適性，減弱了陰影 對(duì)后續(xù)視頻分析的影響，適用于交通視頻分析的目標(biāo)跟蹤、車型、車流量檢測(cè)等應(yīng)用領(lǐng)域。
【附圖說(shuō)明】
[0033] 圖1為本發(fā)明在實(shí)施例中視頻序列的一幀圖像；
[0034] 圖2為本發(fā)明在實(shí)施例中視頻場(chǎng)景的背景圖像IB;
[0035] 圖3為本發(fā)明在實(shí)施例中含陰影區(qū)域的運(yùn)動(dòng)車輛圖像IF;
[0036] 圖4為本發(fā)明在實(shí)施例中融合亮度和色度信息的運(yùn)動(dòng)車輛圖像Ifta;
[0037] 圖5為本發(fā)明在實(shí)施例中運(yùn)動(dòng)車輛車體的搜索起點(diǎn)區(qū)域以及陰影候選區(qū)；
[0038] 圖6為本發(fā)明在實(shí)施例中融合灰度、邊緣和色度的運(yùn)動(dòng)車輛特征圖像M;
[0039] 圖7為本發(fā)明在實(shí)施例中抑制陰影區(qū)邊緣信息的掩膜圖像；
[0040] 圖8為本發(fā)明在實(shí)施例中消除了陰影區(qū)邊緣信息的特征圖像M;
[0041] 圖9為本發(fā)明在實(shí)施例中運(yùn)動(dòng)車輛陰影的檢測(cè)結(jié)果。
【具體實(shí)施方式】
[0042] 下面結(jié)合附圖和【具體實(shí)施方式】，對(duì)本發(fā)明的視頻圖像中運(yùn)動(dòng)車輛陰影檢測(cè)的方法 作進(jìn)一步地闡述。
[0043] 本發(fā)明在實(shí)施例中的視頻圖像中運(yùn)動(dòng)車輛陰影檢測(cè)方法包括以下步驟。
[0044] 步驟A.針對(duì)如圖1所示的交通監(jiān)控場(chǎng)景建立背景模型。對(duì)背景實(shí)時(shí)更新獲得運(yùn) 動(dòng)車輛的背景，如圖2所示。采用運(yùn)動(dòng)目標(biāo)檢測(cè)方法中的PBAS方法獲得運(yùn)動(dòng)車輛目標(biāo)，如 圖3所示。
[0045] 步驟B.將運(yùn)動(dòng)目標(biāo)圖像IF和背景圖像I，人RGB色彩空間轉(zhuǎn)換至YCbCr色彩空 間，分別獲得亮度Y、色度Cb和Cr三個(gè)分量的值，轉(zhuǎn)換公式如下
[0046] Y= 16+65.481*R+128. 553*G+24. 966*B
[0047] Cb= 128-37. 797*R-74. 203*G+112*B
[0048] Cr= 128+112*R-93. 785*G-18. 214*B
[0049] 步驟C.構(gòu)建圖像Ifea，達(dá)到消減陰影區(qū)紋理并增強(qiáng)車體紋理的目的，如圖4所示。 圖像Ifea中各像素值計(jì)算公式如式（1)所示
[0051] 其中，BW為前景目標(biāo)的二值化圖像，D為像素P(x，y)的鄰域，本實(shí)施例中鄰域大小 D值取3,即8鄰域。當(dāng)分母為0時(shí)，分別采用背景圖像IB的亮度Y、色度Cb和Cr平均值代 替相應(yīng)的分母。
[0052] 依最大類間方差法求得圖像Ifea的二值化閾值Tfea，鑒于小于閾值Tfea的像素通常 是陰影或黑色車體引起的，為減少這類像素對(duì)車體搜