基于HSV空間陰影去除方法研究與應用

高東旭，曹江濤，李 平

（遼寧石油化工大學 信息與控制工程學院,遼寧 撫順 113001）

基于HSV空間陰影去除方法研究與應用

高東旭，曹江濤，李 平

（遼寧石油化工大學 信息與控制工程學院,遼寧 撫順 113001）

在智能視頻監控系統中，運動陰影如果被誤判為運動目標，將會影響到場景中運動目標的準確提取、跟蹤和預測。針對這一問題，設計了一種基于HSV顏色空間的陰影去除方法。方法首先將背景差法和三幀差分法相結合，用于提取運動目標，再將提取的含有陰影的運動目標區域映射到其HSV色彩空間，通過與背景和相鄰幀的亮度、飽和度比較，實現對陰影區域的檢測和去除,處理過程中無需提前確定特征判別參數。將所設計的方法在標準高速公路視頻數據庫中進行測試并應用于實時的視頻監控系統，驗證結果表明該方法能更加有效的消除陰影，從而準確的檢測出運動目標，同時方法對光線變化具有一定的魯棒性。

視頻監控；運動目標檢測；實時；HSV顏色空間；陰影消除

陰影與運動目標具有相同的運動性質，但其紋理特征、邊緣輪廓以及亮度等信息卻有較大的區別。目前的陰影檢測方法主要從以下兩方面入手：一類是基于陰影的模型的方法[1],其原理是通過建立一個陰影的統計模型來判斷圖像內像素點是否為陰影區域；另一類是基于特征的方法[2]，其原理是通過采用圖像的色調、顏色、亮度、灰度等信息來進行判斷。由于建立陰影模型通常比較復雜而困難，而且耗時大，因此在實時的智能視頻監控系統中都是采用基于特征的方法來進行陰影消除。

在不同的顏色空間，陰影與運動目標具有不同的特性：張超等采用了一種基于RGB色彩空間的陰影檢測方法[3]，在RGB（紅、綠、藍）色彩空間中，任何一種顏色都可由RGB三原色按一定的比例構成，陰影也是有顏色的，但是當運動目標和陰影具有相同的顏色時，采用這種方法則不能很好的分離出運動目標的陰影；王小鵬等采用的是基于圖像的灰度變化進行陰影檢測的方法[4]，但在運動目標與陰影的灰度值相似時很難確定準確的閾值來區分運動目標和陰影；Rahmat等采用了基于YUV色彩空間的陰影檢測的方法[5]，YUV空間的亮度分量（Y）和兩個色度分量（U、V）是獨立的，YUV空間的陰影消除算法通過計算3個差值函數：亮度差值函數、色度差值函數、梯度差值函數來判斷是否為陰影，雖然檢測性能較好，但算法復雜，而且有較多的閾值需要確定，因而不適合用于實時的智能監控系統；Norbert等提到了一種基于HSV（色度、飽和度、亮度）色彩空間的陰影去除的方法[6]，因為HSV色彩空間采用的是色彩的色度、飽和度及亮度等信息，直接與人的視覺感知方式緊密相連，因而更能精確的反應出運動目標與陰影的色彩和灰度信息。

針對以往方法中只采用當前幀與背景亮度的比例閾值來確定陰影區域，而沒有考慮在不同的背景、不同的光照強度下比例閾值發生變化且難以確定的問題，文中提出了一種基于HSV色彩空間的運動目標陰影去除方法，在以往的陰影去除方法基礎上，加入了當前幀與前一幀亮度的差值變化，并將比例閾值固定，在標準的視頻數據庫上和實時的智能視頻監控系統中分別進行了測試，驗證了方法的有效性。

1 運動目標檢測方法

本文的運動目標檢測采用的方法融合了背景差法與三幀差分法。背景差法的基本思想是首先獲取一個參考背景圖像，然后將當前幀圖像與參考背景進行比較，通過一定的閾值分割出前景運動目標，其優點是不受運動目標移動速度影響，但是對場景中光照等無關干擾比較敏感；幀差法的基本思想把相鄰幀相減，再通過閾值化方法濾除當前幀的靜止目標，從而提取出運動目標，三幀差分法是幀差法的改進，其基本思想是分別對連續兩幀進行差分，再將得到的兩幅差分圖像進行融合從而得到運動目標，其優點是對環境的光線變化不敏感，且能快速地檢測出運動目標，對于背景的光線等變化具有良好的適應性，并消除了傳統幀差法的“拖尾”現象，缺點是對于運動過快或過慢的運動目標誤檢率高，且容易丟失信息。因而本文通過將兩種方法結合來實現運動目標的檢測，實現算法簡單，計算量小，并將兩種方法優勢互補，能較好的檢測出運動目標，且對光照變化具有良好的適應性。

運動目標檢測的算法流程如圖1所示。

圖1 提取運動目標流程圖Fig.1 Flowchart of the moving target extraction

由于獲取的視頻序列為RGB圖像，因此需要將背景、當前幀、前一幀圖像均轉到HSV空間及灰度圖像，并計算當前幀與背景幀的亮度比值和當前幀與前一幀的的亮度差值，本文在背景差法的同時獲得當前幀與背景幀的亮度比例值，根據這個比例值對由背景差法獲得的運動區域進行陰影去除得到一個運動目標區域；在幀差法的同時獲得連續兩幀的亮度差值，根據差值對由幀差法獲得的運動區域進行陰影去除,得到一個運動目標區域，將兩個運動目標區域相與,得到最終的去除陰影后的運動目標區域。運動目標檢測的具體步驟為：

1）獲取RGB背景圖像，并將背景圖像轉換為HSV背景圖像和灰度圖像并分別存儲。

2）獲取連續三幀圖像并分別將三幀圖像轉換為HSV圖像和灰度圖像并分別存儲。

3）分別計算當前幀的亮度值與背景幀的亮度值的比例值P和當前幀與前一幀的差值M。

4）計算當前幀灰度圖像與背景灰度圖像的差分圖像，再通過一定的閾值將圖像二值化，并通過 節中的判別條件，得到去除陰影后的運動目標圖像I(k)。

5）計算當前幀與前一幀灰度圖像的差分圖像△I1(k),后一幀與當前幀灰度圖像的差分圖像△I2(k)，兩差分圖像相與后再通過一定的閾值將圖像二值化得到運動目標區域，并通過4節中的判別條件，得到去除陰影后的運動目標圖像I(k)。

6）融合I(k)與I(k)后，得到最終的運動目標,并更新背景。

2 傳統陰影檢測方法

陰影是光源沒有直接照射到物體表面而形成的暗區域，可分為物體的自身陰影和物體的投射陰影。當目標移動時，投射陰影即為運動陰影，因此，本文主要分析的是投射陰影。投射陰影具有像素的亮度值低于非陰影區域的亮度值，而飽和度和色度變化微小等特點，運動目標的投射陰影的詳細介紹參見文獻[7]，由于本文的主要工作是去除運動目標的投射陰影，因此需要一個判別方法來描述運動區域的投射陰影，而不考慮場景中靜止物體的陰影。

在有光照的條件下，物體表面的一點如果是投射陰影，則它可由式(1)來描述：

其中，SK表示在 K 時刻，坐標為（x，y）點的亮度，ρK(x,y)為該點的反射系數，在背景固定不變的情況下，則認為背景點與被檢測點的反射系數相等，即

EK為光照強度，可表示為：

其中CA為點光源強度，CP為散射強度，L為光源方向，N為表面法向量。

經典的HSV空間陰影檢測方法通過計算被檢測點與背景點的強度比值來衡量是否為陰影，即

由式(2)可將(4)式簡化為

人們通過視覺系統感知能清晰地了解陰影具有的特征：一方面，陰影的亮度總是比其投射到的背景區域的亮度值低；另一方面，陰影與投射它的物體相連通，運動狀態一致。由此，經典的HSV色彩空間陰影去除方法利用HSV彩色信息的色度、飽和度與亮度信息消除陰影的判別函數如式(6)所示：

3 改進的陰影檢測方法

以往的HSV空間陰影檢測算法對監控環境的假設條件為固定的靜態背景，這樣才能保證被判斷的點的反射系數與背景保持不變，而本文改進的算法中加入了當前幀與前一幀的亮度差值變化這一條件，且固定V通道判別條件閾值。在背景有變化的情況下，被判斷的點的反射系數也會與前一幀被判斷點的反射系數幾乎相等。

由于H分量與S分量對陰影的判別影響不明顯，通過比較HSV空間中的各個分量變化趨勢，V分量顯然能很好的作為判別陰影的主要因素，且可以忽略H分量和V分量的判別條件。因此，本文提出了一種新的陰影的判別函數如式（7）所示：

除了以上提到的某像素點的亮度值在有陰影時與背景的亮度值不同這個因素外，還存在兩種主要因素使某一像素點的亮度值發生變化：一種是由于不同的目標的亮度值不同（如天空、樓宇、樹枝等）；另一種則是因為在短時間內，物體在某一像素點的投影會隨著物體的運動發生變化，為此，文中在以往只是采用當前幀與背景幀的亮度值變化來判斷陰影區域的條件外，加入了當前幀的亮度與前一幀的亮度差值這一條件，并固定了亮度閾值，無需在不同的條件下確定不同的閾值，減少了工作量且使處理速度更快，滿足實時性的要求。

為了系統地評價陰影檢測方法的性能，文中引入了一種量化的評價方法，即陰影檢測算法的好壞可以由陰影檢出率和陰影誤檢率來衡量：陰影的檢出率意味著應該使陰影點被判為前景或背景(即陰影點被判做非陰影點)的概率盡量小,即正確檢測陰影的概率應該盡量大；陰影的誤檢率意味著前景點或背景點被判為陰影點的概率也應當盡量小。即：

式(8)中，TP是場景中運動陰影區域的真實點數，FN是陰影點被誤判為前景或背景的點數；FP是前景或背景被誤判為陰影的點數。

4 實驗結果分析

本文采用Visual C++6.0搭配OpenCV1.0的模式搭建開發平臺，運用VC中的MFC框架設計系統的主體對話框界面，調用OpenCV中的庫函數讀取視頻序列，再調用VC和OpenCV中的庫函數編譯代碼對視頻數據進行處理，OpenCV是開源的計算機視覺庫，與Matlab等圖像處理工具相比，具有處理速度快、源代碼完全開放、平臺無關性等優勢，方便用于實時的智能視頻監控系統中。

本文的實驗結果采用的視頻文件是ATON項目的標準實驗視頻 highwayI，分辨率為 320240，幀率為 15 fps的 AVI格式視頻。將本文采用的非參數判別方法與與經典的需要確定參數的方法在標準數據庫 (高速公路視頻)中進行測試對比，結果如圖2所示。

圖2 高速公路的陰影消除結果Fig.2 Shadow elimination results of highway

圖2(a)顯示的為高速公路視頻文件隨機選擇的其中一幀圖像，圖2(b)為未去除陰影的運動目標檢測圖像，圖2(c)為采用經典的HSV陰影去除方法去除陰影后的運動目標檢測結果(試驗的方式選擇的最佳參數：其中設為0.05，設為0.35)，圖2(d)為本文方法去除陰影的運動目標檢測結果。

從圖4中可以看出，本文采用的陰影消除算法，在能夠準確地檢測到運動目標的同時消除了陰影，而且運動目標的物理原型比經典的HSV陰影消除方法更為完整。

利用式(8)的計算方法可以得到高速公路視頻檢測結果的檢出率與誤檢率如表1所示。

表1 高速公路的檢出率與誤檢率Tab.1 The detection rate and false detection rate of highway

由表 可以看出采用本文的改進方法使用標準數據庫進行測試的結果，本文的方法檢出率有所提高且誤檢率有所減低，因此本文的方法在標準測試視頻的環境中要優于傳統的方法。

為了說明本文采用的方法的實用性，還將本文的方法應用在了實時的校園智能視頻監控系統中，采用的是學校圖書館門外的實時監控系統數據，分辨率為704480，幀率為25 fps。本文的方法與傳統的方法比較結果如圖3所示。

圖3 圖書館的陰影消除結果Fig.3 Shadow elimination results of Library

圖3(a)顯示的為圖書館場景中隨機選擇的其中一幀圖像，圖3(b)為未去除陰影的運動目標檢測圖像，圖3(c)為采用經典的HSV陰影去除方法去除陰影后的運動目標檢測結果，圖3(d)為本文方法去除陰影的運動目標檢測結果。

從圖3中可以看出，本文采用的陰影消除算法，在實時的監控系統中圖能夠準確地檢測到運動目標的同時消除了陰影，而且運動目標的物理原型比經典的HSV陰影消除方法更為完整。

按照式(8)的計算方法來計算檢出率與誤檢率，本文采用的方法與傳統方法在圖書館監控場景中的檢出率與誤檢率如表2所示。

表2 圖書館的檢出率與誤檢率Tab.2 The detection rate and false detection rate of library

由表2可以看出，本文中的方法檢出率高于經典方法且誤檢率也有所減少，因此本文方法在實時監控場景中也優于傳統的方法。

采用本文方法快速簡單，不需要確定閾值，有效地解決了經典方法閾值難以確定的問題，且能適應不同背景的陰影消除，另外，本文的方法在MFC框架下，通過調用OpenCV函數來實現，并可以在實時的智能視頻監控系統中進行應用，從而使實時智能視頻監控的跟蹤、行為分析的結果更準確。由此可見，本文提出的方法是可行的，且具有較強的應用價值。

5 結束語

本文分析了陰影與運動目標在HSV空間中三個分量的變化趨勢，針對以往的HSV空間去除陰影針對不同場景需要確定不同閾值的問題，提出了一種融合背景差與三幀差分法在HSV色彩空間特征判別的陰影去除方法，其最大的特點是陰影的判別條件簡單，且不需要計算參數，運算速度快，能夠滿足實時智能視頻監控系統的要求，且能夠適應不同場景中的陰影檢測，得到較好的運動目標檢測結果，具有很高的實用價值。本文下一步工作將研究HSV顏色空間中亮度降低到一定程度后的應用問題，并將本文方法應用到實際的智能視頻監控中。

[1]LIU Zhou,HUANG Kai-qi,TAN Tie-niu;Cast Shadow Removal in a Hierarchical Manner Using MRF[C].IEEE Transactions on Circuits and Systems for Video Technology,2012.

[2]YUAN Jin-juan,WU Jin,CHENG Yan-hu.Shadow detecting algorithms research for moving objects base on self-adaptive background[C].Proceedings of International Conference on Modeling Identification&Control(ICMIC),2012:197-200.

[3]張超,林鵬,趙宇明.基于物理特性和形態學方法的陰影去除算法[J].計算機工程,2012,38(10):131-133.

ZHANG Chao,LIN Peng,ZHAO Yu-ming.Shadow removal algorithm based on physical features and morphological method[J].Computer Engineering,2012,38(10):131-133.

[4]王小鵬,郭莉瓊.公路車流量視頻檢測方法[J].計算機應用,2012,32(6):1585-1588.

WANG Xiao-peng,GUO Li-qiong.Video-based method for highway traffic flow detection [J].Journal of Computer Applications,2012,32(6):1585-1588.

[5]Rahmat R W,Al-Tairi Z H,Saripan,M I.Sulaiman,P.S.Removing Shadow forHand Segmentation Based on Background Subtraction [C]//International Conference on Advanced Computer Science Applications and Technologies(ACSAT),2012.481-485

[6]Buch N,Velastin S A,Orwell J.A Review of Computer Vision Techniques for the Analysis of Urban Traffic[C]//IEEE Transactions on Intelligent Transportation Systems，2011,12(3):920-393.

[7]Porikli F,Thornton J.Shadow Flow:A Recursive Method to Learn Moving Cast Shadows[C].International Conference on Computer Vision(ICCV),2005:891-898.

Study and application of removing the shadow based on the HSV color space

GAO Dong-xu,CAO Jiang-tao,LI Ping
（School of Information and Control Engineering,Liaoning Shihua University，Fushun 113001,China）

In video surveillance system,if the moving shadows are misclassified as the moving objects,the accuracy of moving object extraction,tracking and forecast can hardly be guaranteed.For dealing with this problem,a new method is proposed to remove the moving cast shadows based on HSV color space.Firstly,the moving objects is extracted through a fusion three frame difference and background subtraction method.Secondly,the extracted area is projected into the HSV color space.By comparing the luminance and saturation in motion region of the previous frame and the background,the moving shadows are detected and eliminated without predetermining the parameters.The proposed method is tested in the standard highway video dataset and implemented in the real-time video surveillance system.The results showed that this method can eliminate the shadows more effectively,detect the moving targets more accurately,and robustness to light changes.

video surveillance;moving target detection;real time;HSV color space;shadow suppression

TP391.41

A

1674-6236（2014）13-0065-04

2013-09-17 稿件編號：201309133

國家自然科學基金青年基金項目（61203021，61103123）

高東旭(1989—),男，滿族，遼寧義縣人，碩士研究生。研究方向：模式識別、智能監控。