自適應背景下運動目標陰影檢測算法研究

摘 要：智能視頻監控系統的主要難點就是如何檢測出運動目標的陰影并將他去除。用一種改進的自適應背景檢測算法準確檢測運動物體的位置和形狀。然后根據陰影的顏色變化、結構等特點，分別采用基于RGB彩色模型和基于HSV彩色模型的陰影檢測法檢測陰影。在仿真實驗中，對兩種方法進行定量和定性的分析，在陰影檢測率、識別率、復雜度和實時性等方面做出了比較。結果表明，兩種方法都有較強的適應性，具有良好的陰影檢測效果。根據各自的優缺點，可應用在不同領域中。

關鍵詞：運動目標檢測；RGB空間；HSV空間；陰影檢測

中圖分類號：TP391 文獻標識碼：A

文章編號：1004-373X(2008)06-059-03

Shadow Detecting for Moving Objects Based on Self-adaptive Background

GAO Lan，DONG Huiying，LAN Libao

(Information Science and Engineering College，Shenyang Ligong University，Shenyang，110168，China)

Abstract：One of the main difficulties in intelligent video surveillance is how to detect and suppress the shadow in the scene.The moving objects detection algorithm uses an improved background subtraction algorithm which is based on self-adaptive background to detect the position and the shape of objects.Then according to the shadow′s characters such as the color variation and the structure，two shadow detection algorithms which respectively based on the RGB color model and the HSV color model are introduced.In experiment，the two shadow detection algorithms are analyzed on the shadow detection accuracy，the shadow discrimination accuracy，the complexity and the real-time capability，and made the comparison of them.The results of experiment show that the shadow detection algorithms are effective and robust，and can be applied on different fields according to their advantages and disadvantages.

Keywords：moving objects detection；RGB color model；HSV color model；shadow detection

視頻監視系統中，對于檢測/跟蹤環節，在序列圖像中準確地獲取運動物體是一個至關重要的問題。不僅要能檢測出運動物體的存在，還要能得出運動物體本身的準確形狀，為識別、跟蹤奠定基礎。通常，在檢測過程中會存在運動陰影，他在運動目標的分割和跟蹤中會引起嚴重的問題。他可能會引起圖像中物體的合并，物體形狀的失真，甚至物體的消失(這是由于陰影投射覆蓋了另一個物體)。因此，陰影的判別極為重要。

本文采用文獻[1-3]所述的方法，在2個顏色空間，即RGB空間和HSV空間里，分別分析陰影的各個特點，然后采用不同的方法檢測陰影，均能有效地克服運動陰影造成的影響及降低運動物體的誤分類。

1 運動目標檢測

運動目標檢測是進行陰影檢測的前提。目前，運動檢測算法很多，主要有差分圖像法^[4]、光流法和基于高階統計(HOS)等方法。其中背景相減方法是目前運動分割中最常用的一種方法，但對于任何復雜環境的運動變化具有自適應性的背景模型仍然是一個值得研究的問題。

在復雜交通道路的視頻圖像序列中，不可能直接獲取無運動物體的背景圖像。本文采用文獻[5]提出的自適應背景建立法能夠自動的從圖像序列中獲得信息來建立一個好的初始背景模型。但由于其原有背景更新存在參數選擇不穩定的狀況，容易影響檢測效果。因此對其進行了改進，采用雙動態矩陣對背景模型做更新，同時利用動態閾值^[6]分割圖像。雙動態矩陣更新則是在[WTHX]D[WTBZ]矩陣的基礎上，增加一個動態矩陣[WTHX]E[WTBZ]來改善這種情況。更新過程如下：

[WTHX]E[WTBX]i，j(k)=[WTHX]E[WTBX]i，j(k-1)+1；[WTHX]D[WTBX]i，j(k)=1；

if Fi，j(k)=0 and Si，j(k)>Ts(1)

其中Si，j(k)=Ii，j(k)-Bi，j(k)，Si，j(k)為當前幀與背景幀不同的物體，Fi，j(k)為幀差結果。從式(1)中可看出，當出現與背景不同但幀差結果為零的物體象素時，對應的矩陣[WTHX]E中的值也就逐一增加，同時矩陣D[WTBZ]中的值不為零。在下面的式(2)中，當矩陣[WTHX]E中的值達到某一值，對應當前幀的象素便直接更新為背景象素，同時將E[WTBZ]中的這個值歸零。

Bi，j(k)=Ii，j(k)； if [WTHX]E[WTBX]i，j(k)=θ(2)

其中，θ為選擇更新快慢的系數。

將矩陣[WTHX]D和矩陣E[WTBX]結合起來進行更新背景，可以更加準確地得到背景圖像，增強運動目標的檢測效果。

圖1顯示了高速公路視頻(a)的背景模型建立過程(其中(a)～(d)分別為算法執行到序列圖像的第1，20，30，50幀時構建的背景模型)。該算法的收斂速度比較快，根據運動目標的數量和速度，一般在幾秒到十幾秒之間，就能獲得背景圖像。

圖1 背景模型建立過程

得到背景圖像后，將其與當前圖像差分，便能得到所要檢測的運動目標。

2 陰影檢測

運動目標陰影是由運動目標的投影造成的。由于其運動特性與物體相同，且互連為一個整體，易造成運動目標的誤分類。在陰影檢測中，根據研究目的和面向對象的不同，對圖像進行處理研究時，需要選取適當的彩色模型，并在特定的彩色空間中進行。

2.1 RGB空間陰影檢測法

在RGB彩色模型空間中，任何一種顏色都可以由RGB三原色按一定的比例構成。這3個分量不僅代表色彩和亮度，還存在著很大的相關性。通過分析發現，在陰影區域，只是背景亮度減弱，顏色變化很小，RGB成比例衰減，因此色調改變小，其顏色夾角也較小。在目標區域，其顏色值與對應背景在色調上差別較大。因此按照式(3)計算其顏色夾角可以實現對陰影的大致檢測。

3 實驗結果與分析

本實驗對不同道路情況分別進行了測試。其中高速公路視頻(a)從http：∥cvrr.ucsd.edu/aton/ shadow 獲取，而沈陽理工大學路段視頻(b)為拍攝的錄像帶，視頻格式為PAL制式，幀率為25幀/s，圖像大小為320×240，其運動對象相對復雜。本實驗數據， RGB空間：Tα=0.01，θ=100，λ=5，α=0.03，C1=(k1×L)2，C2=(k2×L)2，k1=0.01，k2=0.03，L=255，而T1，T2根據不同的路面狀況而不同；HSV空間：α =0.2，β=0.8，TS=0.09，TH=0.5。

視頻(a)中的陰影范圍大且濃，而視頻(b)中的陰影范圍小且淡。圖2顯示2個陰影檢測算法在不同環境中的檢測效果，其中黑色代表的是運動目標點，白色代表的是檢測出來的陰影點。

3.1 陰影檢測率和陰影識別率

陰影檢測率(η)是指對陰影點分類的低錯誤率；陰影識別率(ξ)是指判別非陰影點為陰影點的低可能性。

η=TPSTPS+FNS； ξ=TPFTPF+FNF(7)

其中小標S代表陰影；F代表前景；TP是真正的陰影點；FN為錯誤的陰影點；TPF是“前景范圍內真實的點的個數”減去“檢測為陰影但屬于前景的點的個數”的值。下面的表1顯示2種陰影檢測法的檢測率和識別率。

從表1中可看出，RGB空間的檢測率高于HSV空間，但識別率則低于HSV空間。

表1 兩種陰影檢測法在不同環境中的η，ξ值

3.2 復雜度及實時性

復雜度 從上面介紹的算法來看，在RGB空間中僅從顏色R，G，B三個分量，是無法準確檢測出陰影的，還需分析陰影的其他特征；而在HSV空間中，從他的H，S，V三個分量便能檢測出陰影。因此， RGB空間陰影檢測法比HSV空間的要更復雜。

實時性 RGB空間陰影檢測法用時15～25 ms，滿足實時性條件；由于視頻設備均為RGB格式，進行HSV空間陰影檢測法時需將RBG格式轉換為HSV格式，用時40～50 ms，同時陰影檢測法的時間則為10～15 ms，總共用時50～65 ms，不滿足實時性條件。[FL)0]

圖2 運動目標檢測效果

4 結 語

本文改進了自適應背景差法，并在HSV和RGB空間中分別采用2種陰影算法做比較。在實驗過程中，對陰影檢測算法在陰影檢測率、陰影識別率、復雜度和實時性方面做了測試和分析。實驗結果表明，RGB空間陰影檢測法在陰影檢測率和實時性上優于HSV空間檢測法，而在陰影識別率和復雜度上劣于HSV空間檢測法，但他們都能在各種環境下進行較準確的陰影檢測，可應用在不同的研究和應用領域。由于各方法存在不足，仍有待進一步的研究。

參考文獻

[1]Cucchiara R，Prati A，Grana C，et al.Detecting Moving Objects，Ghosts and Shadows in Video Streams[J].IEEE Tran-sactions on Pattern Analysis and Machine Intelligence，2003，25(10)：1 337-1 342.

[2]陳柏生，陳鍛生.基于歸一化rgb彩色模型的運動陰影檢測[J].計算機應用，2006，26(8)：1 879-1 881.

[3]Wang Zhou，Bovik A C，Sheikh H R，et al.Image Quality Assessment：From Error Visibility to Structural similarity[J].IEEE Transactions on Image Processing，2004，13(4)：600-612.

[4]Collins R.A System for Video Surveillance and Monitoring：VSAM Final Report.Carnegle Mellon University，Technical Report：CMU-RI-TR-00-12，2000.

[5]Yang T，Stan Z Li，Pan Q， et al.Real-time and Accurate Segmentation of Moving Objects in Dynamic Scene[J].In Proceedings of the ACM 2 ndInternational Workshop on Video Surveillance Sensor Networks，2004：136-143.

[6]張繼平，劉直芳.視頻中運動目標的實時檢測和跟蹤[J].計算機測量與控制，2004，12(11)：1 036-1 039

作者簡介 高 嵐 女，1982年出生，四川成都人，碩士研究生。主要從事機器視覺方向的研究。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。