索的影響，因此，將小于閾值Tfea的值 變?yōu)椹?得到圖像Hfta，即
[0054] 步驟D.采用Meanshift算法進(jìn)行圖像IF分割若干子區(qū)域形成集合Dseg(N)，依式 (2)取圖像IF的色度Cb、Cr分量與背景圖像相差最大的區(qū)域Dseg(i)，作為車輛車體的搜索 起點區(qū)域，如圖5所示，其中顏色最深的區(qū)域即為搜索起點區(qū)域，即
[0056] 步驟E.采用邊緣算子對圖像IfJi行邊緣檢測，本實施例中采用Sobel邊緣算子 獲得邊緣圖像E，其計算公式為
[0057]
[0058] 其中，Gx=Ifea (x-1，y-1) +2Ifea (x，y-1) +Ifea (x+1，y-1) _Ifea(x-1，y+1) _2Ifea(x，y+1 )_Ifea(x+l，y+i)，
[0059] Gy=Ifea(x-1，y-1) +2Ifea (x-1，y) +Ifea (x-1，y+1) _Ifea (x+1，y-1) _2Ifea(x+1，y) _Ifea (x+l,y+l)
[0060] 采用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)椹?以減少輕微邊緣引起的干擾，即
[0062] 然后，將圖像UP邊緣圖像I6_進(jìn)行疊加，獲得融合了邊緣梯度、亮度和色度的 特征圖像M，各像素的值為
[0063] M(x,y) =Iedge+Hfea (x,y) (4)
[0064] 本實施例中得到的特征圖像M如圖6所示。
[0065] 步驟F.獲取二值化前景目標(biāo)圖像BW，計算二值化BW的形心C(X。，y。)，形心計算公 式為
[0068] 由于特征圖像M的邊緣信息分布不均勻，表現(xiàn)為車體區(qū)域邊緣信息豐富而陰影區(qū) 的邊緣信息非常稀少，因此特征圖像M質(zhì)心更靠近車體，其質(zhì)心Z(xz，yz)的計算公式為
[0071] 為了消減陰影區(qū)與背景區(qū)的邊緣，構(gòu)建抑制陰影區(qū)域邊緣信息的掩膜圖像，如圖7 所示。為了保留車體邊緣信息，鄰域L的寬度是可變的，在陰影區(qū)內(nèi)時L值較大，而在非陰 影區(qū)時L值較小。設(shè)二值化前景圖像BW的邊界B上的任一點為P(x，y)到形心C的距離為 d。，P(x，y)點到質(zhì)心Z距離為dz，則鄰域L的寬度為
[0072] L=入?arccot[a? (dc_dz) ] (5)
[0073] 本實施例中，當(dāng)L〈0時，置L為0 ;A為幅度調(diào)整因子，本實施例中A值為1 ;a為 變化率調(diào)整因子，本實施例中a值為1。該掩膜圖像的作用是將P(x，y)點鄰域L內(nèi)的像素 M(x，y)設(shè)置為0。對特征圖像M經(jīng)過掩膜圖像的操作后，有效地抑制了陰影區(qū)的邊緣信息， 如圖8所示。
[0074] 步驟G.獲取搜索起點區(qū)域Dseg(i)的邊界b，沿邊界b找出所有與Dseg(i)相連接 的區(qū)域，假設(shè)區(qū)域數(shù)量為r個，構(gòu)成集合[Dseg (1)，Dseg (1) ???Dseg (r)]，計算特征圖像M每個區(qū) 域的像素平均值，取平均值最大的Dseg(j)區(qū)域與原來的Dseg(i)合并，即
[0076]其中
，nSDseg(m)區(qū)域內(nèi)像素的個數(shù)，k為 當(dāng)前迭代計數(shù)。
[0077] 然后循環(huán)迭代求得區(qū)域Dseg(i)，直到滿足式（7)時終止迭代，即特征圖像M中與 Dseg(i)相鄰的其它子區(qū)域中不再存在區(qū)域像素特征平均值均小于閾值I的子區(qū)域，閾值 I是近似等于零的小數(shù)，根據(jù)視頻場景的不同而整定閾值I的值。
[0079] 區(qū)域Dseg(i)未觸及的其它子區(qū)域組成2個集合％= [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)的周邊子區(qū)域集合，〇2 是不與Dseg(i)相鄰的區(qū)域集合。
[0080] 本實施例中％和Q2集合均為非空，說明運動目標(biāo)存在陰影。又由于集合Q2中區(qū) 域像素平均值均小于閾值I，說明只有一個運動目標(biāo)的陰影。然后，將集合％和92的所有 元素視為陰影的候選區(qū)。邊界B上鄰域L寬度值大于零的區(qū)間段所涉及的區(qū)域主要是陰影 區(qū)，如圖6和圖7所示，因此，閾值|取鄰域L寬度值大于零的區(qū)間段所涉及的區(qū)域的特征 圖像M像素平均值，本實施例中閾值|為0. 1。迭代終止后的Dseg(i)如圖5中的灰色區(qū) 域，即車輛車體部分，而未被著色的空白區(qū)域則為陰影候選區(qū)域。
[0081] 步驟扎從％和〇2集合的每一個元素〇)^〇'+1)，0^〇'+2)-0^洲]所代表的子 區(qū)域出發(fā)，采用區(qū)域生長法在特征圖像IfM(x，y)中搜尋陰影區(qū)域S(j)，區(qū)域生長的準(zhǔn)則依 式⑶計算。
[0082] S(j) = {P(x,y) :M(x,y) <Tedge&|Ifea(x,y)-Ifea(x+d,y+d) | < ^ 〇&Bff(x,y) = 1} (8)
[0083]獲得陰影子區(qū)域S(r+1)，S(r+2)…S(N)后，將所有子區(qū)域通過邏輯"或"運算得到 運動車輛的全部陰影子區(qū)域S，即
[0084] S=Dseg (r+1) |Dseg (r+2)卜.Dseg (N) |S(r+1) |S(r+2)卜.S(N)
[0085]本實施例中全部陰影子區(qū)域S如圖9所示，其中灰色區(qū)域為檢測出的陰影，白色區(qū) 域為車輛的車體。從圖9可以看出，本發(fā)明從運動目標(biāo)中檢測陰影的效果好。
【主權(quán)項】
1. 一種視頻圖像中運動車輛陰影檢測方法，其特征在于，包含以下步驟： (1) 提取運動車輛目標(biāo)的圖像If和背景圖像I B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 Ifta，圖像Ua中各點的其像素值為其中，BW為基于背景相減的運動目標(biāo)檢測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)榱悖瑥亩玫綀D像H fea; (2) 對圖像If進(jìn)行區(qū)域分割，并計算圖像IF的各區(qū)域與其背景圖像之間色度Cb與Cr 之間差值的絕對值總和，將其最大值的區(qū)域D^(i)作為車輛車體的搜索起始區(qū)域，即(3) 采用邊緣算子對圖像IfM進(jìn)行邊緣檢測，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，將小于閾值1；_的邊緣值變?yōu)榱?，得到含邊緣特征的圖像 并將圖像Hfta與圖像I ?^進(jìn)行疊加，形成含有邊緣、亮度和色度信息的特征圖像Μ，即(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P (X，y)，再將P (X，y)點對應(yīng)鄰域L內(nèi)的像素 M (X，y)設(shè)置為零， 鄰域L的寬度計算公式為 L = λ · arccot [ α · (dc_dz)] 其中，λ為幅度調(diào)整因子，α為變化率調(diào)整因子，d。為P(x，y)點到特征圖像M形心C 的距離，4為P (X，y)點到特征圖像M質(zhì)心Z距離，當(dāng)L〈0時，將L設(shè)置為零； (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Dseg(i)相連接的r個區(qū) 域，構(gòu)成集合[Dseg (I)，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 Dseg(j)，再將Dseg(j)和Dseg⑴區(qū)域合并形成更大的區(qū)域D seg(i)，即 Dkseg{i) = Dk^(i) + Dk^(j) (6) 其中，，n SDseg(Hi)區(qū)域內(nèi)像素的個數(shù)，k為當(dāng)前 迭代計數(shù)，反復(fù)迭代直至得到的區(qū)域Dseg(i)滿足式（7)時止，即區(qū)域Dseg(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ξ的子區(qū)域，閾值ξ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；(7) 區(qū)域Dseg (i)未觸及的其它子區(qū)域組成2個集合Q1 = [D seg (r+1)，Dseg (r+2) -Dseg (r+k)] 和％= [Dseg(r+k+1)，Dseg(r+k+2)-Dseg(N)]，Q# Dseg(i)的相鄰子區(qū)域集合，Q2為不與 Dseg(i)相鄰的區(qū)域集合，若％和02均為空集，說明運動目標(biāo)不存在陰影，即完成整個陰影候 選區(qū)域的檢測過程；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ξ，若不大 于則集合％和92的所有元素組成的區(qū)域為陰影的候選區(qū)，若大于則說明有兩個運動目標(biāo)發(fā) 生了粘連，再將集合Q2按式（6)對另一個目標(biāo)進(jìn)行陰影分析，直到滿足（7)式時將集合Q1和Q2的所有元素組成的區(qū)域為陰影的候選區(qū)； (6)以陰影候選區(qū)為起點，采用區(qū)域生長法搜尋陰影候選區(qū)及其周邊的陰影區(qū)域，區(qū)域 生長搜尋的準(zhǔn)則為 S(j) = {P(x, y) :M(x, y) < Tedge&| Ifea(x, y)-Ifea(x+d, y+d) | < ζ 〇&Bff(x, y) = 1} 歷遍集合％和Q 2每一個元素所代表的子區(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)域通過邏輯"或"運算得到運動車輛的全部陰 影區(qū)域S，即 S = Dseg (r+1) I Dseg (r+2)卜.Dseg (N) I S (r+1) I S (r+2)卜.S (N)。2.根據(jù)權(quán)利要求1所述的一種視頻圖像中運動車輛陰影檢測方法，其特征在于，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，采用該通道分量的平均值替代。
【專利摘要】本發(fā)明公開了一種視頻圖像中運動車輛陰影檢測方法，用以消除前景圖像中運動目標(biāo)的陰影，提高目標(biāo)檢測與跟蹤的準(zhǔn)確性。本發(fā)明提供的運動陰影檢測方法，包括：構(gòu)建融合亮度、色度和邊緣梯度等信息的特征圖像，經(jīng)圖像分割后取色度差最大的區(qū)域為車體搜索起始區(qū)域，迭代搜尋并吸收周邊相鄰區(qū)域中特征值最大的區(qū)域，直到滿足迭代終止條件后，剩余的子區(qū)域集若為空集則表明運動目標(biāo)陰影可以忽略，若為非空則將剩余子區(qū)域作為陰影候選區(qū)域，再從每一個陰影候選子區(qū)域出發(fā)搜索其陰影子區(qū)域，最后將所有搜索到的陰影子區(qū)域組合成整個陰影區(qū)域。該方法能夠自動判別是否存在陰影，能夠更合理地融合多種特征，減少了人工干預(yù)，陰影檢測率高，普適性好。
【IPC分類】G06T7/00
【公開號】CN104899881
【申請?zhí)枴緾N201510282190
【發(fā)明人】賀科學(xué), 李樹濤
【申請人】湖南大學(xué), 長沙理工大學(xué)
【公開日】2015年9月9日
【申請日】2015年5月28日