一種改進的基于紋理和顏色的運動陰影檢測

吳江波，汪西原

(寧夏大學物理電氣信息學院，寧夏銀川750021)

近年來運動目標檢測是智能場景監控下的一個重要內容，而陰影的去除是精確獲得真實運動目標的先決條件。文獻［1－3］分別在RGB、HSV、YUV空間對視頻圖像序列進行陰影檢測，然而當運動前景與對應背景顏色相近時，基于色彩空間的陰影檢測算法失效。文獻［4－5］基于陰影不改變覆蓋區域的梯度紋理特征，利用運動前景與對應背景區域的梯度紋理相似性進行陰影檢測，相似性越高、陰影的可能性越大，但對紋理相近或物體表面紋理不明顯區域得不到有效的檢測結果。由上可知，單一的屬性無法取得較好的檢測效果。文獻［6－7］結合了顏色和紋理信息，對某一像素點，需要同時滿足陰影的顏色和紋理特性才將該像素點判定為陰影點。文獻［8］分別為色彩和亮度設計了閾值估計器，采用基于最大似然估計方法來統計計算陰影檢測閾值，并利用空間后處理消除誤判點。通過分析比較，目前陰影檢測算法中實現效果較好的大都結合了紋理信息，文獻［9］利用NCC(歸一化互相關)實現運動前景區域和背景區域的紋理相似性度量，其采用固定大小的模板，并手工確定判斷閾值;實際操作中，由于物體表面的紋理有疏有密，固定大小的模板不能針對不同紋理自適應地進行調整。模板過小，包含的信息量越少，對局部紋理不明顯的區域檢測效果不佳;模板過大，包含較多的信息量，但由于噪聲的存在，受噪聲干擾的可能性越大。手工選取閾值難度較大，準確性不高。閾值較小，一部分真實的運動目標會被誤檢為陰影;閾值過大，一部分陰影會被誤檢為運動目標。針對上述問題，本文對文獻［9］的NCC算法進行了改進，使其能夠根據紋理信息自適應地選取合適的估計閾值和模板大小，并結合文獻［8］的色彩估計器，舍去亮度估計器，取得了較好的效果。

1 陰影檢測

1.1 基于顏色空間的陰影檢測

利用顏色特征檢測陰影是陰影檢測常用的方法。該方法基于這樣一個事實:陰影區域和其對應的背景區域相比，亮度變暗，而顏色不變［3］。

本文基于RGB顏色模型空間，通過分別比較前景區域和其對應的背景區域R、G、B 三通道的亮度值和歸一化色彩特征不變量進行陰影檢測。

1.1.1 亮度比較

由文獻［3］可知，一般情況下陰影區域的亮度值要低于對應的背景區域，即

但是在拍攝視頻過程中由于噪聲的存在，式(1)并不總是成立。為了減少噪聲的影響，本文將單個像素特征擴展到以其為中心的一個M×M大小的鄰域內，通過計算鄰域內像素點亮度值的均值代替中心像素點的亮度值。

1.1.2 色彩特征不變量比較

本文引用文獻［8］的方法利用色彩特征不變量進行陰影檢測，定義候選陰影區域和對應背景區域的歸一化色彩特征不變量色差表達式為

式中:K為R，G，B三顏色通道之一;IS和IB分別為候選陰影區域和對應的背景區域，為了減少計算量，用IR(x，y)+IG(x，y)+IB(x，y)表示近似。

對于運動前景的每一個像素點P(x，y)計算CDK(x，y)，根據文獻［8］的假設，陰影區域像素點的CDK(x，y)服從高斯分布，且均值趨向于0;而真實運動目標區域像素點的CDK(x，y)因目標顏色分布的差異而不盡相同。因此可以認為如果一個像素點的CDK(x，y)與0相差較遠，則認為該像素點是真實的運動目標。統計分析，發現陰影區域像素點的CDK(x，y)一般分布在［－0.1，0.1］范圍內，故為了提高統計樣本區域的估計精度減少目標區域的干擾，取陰影限制條件為通過統計分析，得到自適應估計閾值

式中:K為表征置信度的常數，取值為 2.58。因此，當CDK(x，y)值滿足以下條件時，判定當前像素為陰影像素

1.2 基于局部紋理差異的陰影檢測

陰影不改變覆蓋區域的紋理特性［4］，即陰影區域與對應背景區域的紋理具有相似性。文獻［9］采用NCC(歸一化互相關)算法對運動前景區域與相應背景區域的紋理進行相似性度量。NCC的值越接近1，說明前景區域與對應的背景區域的紋理越相似，將相應的前景判定為陰影的可能性越大。其中，B(x，y)為混合高斯模型得到的背景灰度圖像，C(x，y)為與當前背景幀對應的視頻序列幀的灰度圖像，對于每一個前景像素P(x，y)，定義一個以其為中心，半徑為R的矩形模板(2R+1)×(2R+1)。像素點P(x，y)的NCC值計算如下

其中

當NCC(x，y)≥THNCC，P(x，y)被判斷為陰影。

通過實驗，上述算法存在以下2個問題:1)固定的模板大小:由于物體表面的紋理有疏有密，千差萬別，固定大小的模板不能針對不同紋理自適應地進行調整。模板較小，包含的信息量較少，對表面紋理不明顯的區域檢測效果不佳;模板較大，包含的信息量較多，受噪聲干擾的可能性也越大。2)手工選取閾值:手工選取閾值難度較大、準確性不高，閾值較小，一部分真實的運動目標會被誤檢為陰影;閾值過大，一部分陰影會被誤檢為運動目標。

為了有效改善上面提及的問題，本文提出2點改進措施:

1)自適應地確定模板大小

算法初始階段本文引進了一個判別區域紋理疏密的因子?R(方差)。先對局部區域的紋理疏密作一個評估，根據評估的結果自適應的調整模板大小。首先，分別對候選陰影區域和背景區域計算模板方差，初始R=1，當任意一個方差大于一定閾值THd，確定測量模板半徑為R，此時以R為半徑進行紋理相似性度量效果最佳。與固定模板相比，此方法通過紋理疏密程度自適應地選取合適的模板半徑，既能很好地解決固定小模板對于紋理不明顯區域檢測效果不理想的事實，又能有效改善固定大模板容易受到噪聲干擾的不足。通過大量實驗得知，模板的半徑不能過大，一般限制在4 pixel(像素)的范圍內。

2)動態確定閾值

對于陰影區域，由于和背景具有較強的線性關系，因此NCC(x，y)是一個趨近于1的較大值，并集中在一個較小的區間內;而對于運動目標區域，由于和背景沒有相關性或相關性較小，因此相應的NCC(x，y)較小，且會在較大區間內變化。由于陰影區域的NCC(x，y)值分布在一個很小的范圍內，而運動目標區域的NCC(x，y)值分布范圍較廣。為了使檢測閾值更加合理，本文采用類似于文獻［10］中的動態閾值估計方法。

同樣，假定陰影區域的歸一化互相關值服從高斯分布，即

式中:UNCC為陰影像素點歸一化互相關的均值，為陰影像素點歸一化互相關的方差。統計分析，發現陰影區域像素點的NCC(x，y)一般不小于0.93，為了提高統計樣本區域的估計精度減少目標區域的干擾，取陰影限制條件為

則自適應動態閾值公式為

式中:K為表征置信度的常數，取值為2.58。

2 算法流程

1)利用陰影區域和對應背景區域像素點的亮度特征及色彩特征不變量，初步確定疑似陰影區域。

2)結合改進的NCC紋理算法對初步確定的疑似陰影區域進行紋理相似性度量，進一步得到更為準確的陰影候選區域。

3)最后利用類似于文獻［8］的誤判處理獲得最終的運動陰影。

3 實驗結果與分析

算法在MATLAB 2008下運行，為了驗證本文提出的自適應NCC算法的有效性，對包含陰影的運動前景只進行紋理相似性檢測，如圖1所示。

由圖1c和圖1d可知，閾值相同，較小的模板造成真實運動目標被誤檢為陰影的像素點個數較多;較大的模板，雖然提高了運動目標的檢測能力，但由于噪聲的干擾，部分陰影點被誤檢為真實的運動目標。由圖1c和圖1e可知，模板大小相同，較小的閾值造成真實的運動目標被誤檢為陰影的像素點個數較多，較大的閾值則將部分陰影點誤檢為真實的運動目標;圖1f通過比較，改進的NCC算法在有效降低噪聲干擾的前提下提高了運動目標檢測率，并有效保留了幾乎所有的陰影點。

圖1 紋理陰影檢測結果(截圖)

為了驗證本文提出的融合紋理和顏色的運動陰影檢測算法的有效性，分別對室內和室外的顯著陰影和非顯著陰影視頻序列做實驗，如圖2和圖3所示。

圖2 Outdoor視頻序列陰影檢測結果(截圖)

圖3 Indoor視頻序列陰影檢測結果(截圖)

由圖2和圖3可以看出，無論是室外顯著陰影還是室內弱陰影，本文方法都能較為準確地檢測到陰影像素。

為了對本文提出的算法進行比較，采用文獻［11］提出的陰影檢測率η和陰影判別率ζ進行效果評價。

式中:TPS為陰影像素被正確檢出的數目，FNS為真實陰影像素被誤判為運動前景的數目，TPF為運動前景像素被正確檢出的數目，FNF為真實運動前景像素被誤判為陰影的數目。各種陰影檢測算法性能比較如表1所示。

表1 各種陰影檢測算法性能比較 %

由表1可得，無論在陰影檢測率還是陰影判別率上，相比文獻［11］提出的算法，本文方法都明顯較高或基本與其持平。

4 結論

本文提出了一種改進的NCC(歸一化互相關)紋理相似性度量算法，并結合亮度和歸一化顏色特征進行陰影檢測。該算法能夠根據視頻序列圖像的紋理疏密程度在有效降低噪聲干擾的前提下自適應地選擇模板大小，在不同的圖像分辨率下取得最佳檢測效果;動態估計確定陰影判別閾值使算法更加具有合理性。另外，本文算法能夠較好地從前景像素中提取陰影區域，無需人為干預。下一步工作，在獲得去除陰影干擾的真實運動目標后，將重點研究在復雜環境下如何對運動目標實施實時準確的跟蹤。

［1］應卓瑜，邵亮，顧偉康，等.基于二維道路圖像理解算法的陰影檢測［J］.電視技術，2004，28(10):78－80.

［2］ MARTELBN，ZACCARINA.Moving castshadow detection from aGaussian mixture shadow model［C］//Proc.Computer Vision and Pattern Recognition.［S.l.］:IEEE Press，2005:643－648.

［3］馮文剛，高雋，BUCKLESB，等.多顏色空間中目標約束的車輛陰影分割研究［J］.中國圖象圖形學報，2011，16(9):1599－1606.

［4］任建強.一種自適應的運動目標陰影消除新算法［J］.計算機工程及應用，2010，46(36):188－191.

［5］郝燦，朱信忠，趙建民，等.基于改進型LBP特征的運動陰影去除算法［J］.計算機系統應用，2010，19(5):80－83.

［6］高凱亮，覃團發，陳俊江，等.綜合灰度和紋理特征的運動陰影檢測方法［J］.電視技術，2012，36(7):115－117.

［7］李晗，武奇生.融合顏色相關性和紋理差異的陰影檢測方法［J］.計算機工程，2011，37(15):146－148.

［8］ YE Jianhua，GAO Tao，ZHANG Jun.Moving object detection with background subtraction and shadow removal［C］//Proc.2012 9th International Conference on Fuzzy Systems and Knowledge Discovery.Chengdu，China:IEEE Press，2012:1859－1863.

［9］ YUAN Chao，YANG Chenhui，XU Zhiming.Simple vehicle detection with shadow removal at intersection［C］//Proc.2010 Second International Conference on Multimedia and Information Technology.Kaifeng，China:IEEE Press，2010:188－191.

［10］陳延濤，熊運余，唐飛，等.基于區域統計及YUV色度特性的陰影消除［J］.光電子·激光，2009，20(9):1218－1222.

［11］ PRATIA，MIKIC I，TRIVEDIM M，et al.Detectingmoving shadows:algorithms and evaluation［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2003，25(7):918－923.