視頻圖像中的車輛檢測及陰影去除方法研究

鄭曉曦++袁高帥++胡曉東

摘要：視頻監控系統成為近年來的研究熱點。文中針對交通智能視頻檢測系統的車輛檢測問題，采用基于高斯混合模型方法來檢測視頻中的運動車輛，結合車輛陰影紋理不變的特性分割陰影，實現了運動車輛的檢查識別和陰影去除。仿真實驗達到了預期效果。

關鍵詞：車輛檢測 背景建模 陰影去除

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2014）12-0097-02

Abstract：Video monitoring system has become a hot research topic in recent years. Aiming at the detection problem of the traffic video detection system， the Gauss mixture model based method is used to detect moving vehicles in video in this paper， combined with the characteristic of vehicle shadow texture invariant to segment the shadow， realize the detection and shadow removal of moving vehicles. The simulation experiment has achieved the desired effect.

Key Words：vehicle detection；background-modeling；shade removal

1 引言

在基于視頻的車輛檢測中，由于車輛陰影的出現會給車輛檢測造成目標粘連、目標失真和目標丟失等錯誤，從而導致車輛檢測不夠準確， 因此必須對其陰影進行檢測與去除。

當前運動目標的檢測方法主要有光流法、幀間差分法和背景差分法[1]。光流法雖然能夠在不知道場景任何信息的條件下，檢測出獨立運動的對象，但是多數光流法的計算復雜、耗時，難以滿足實時檢測的要求。幀間差分法盡管檢測速度快、對光照不敏感，但不能檢測靜止或者速度慢的物體、產生空洞。背景差分法能完整地分割出運動目標，但自適應能力較差。

目前對陰影的研究主要分為兩類檢測方法，即基于陰影模型和基于特征的方法。基于陰影模型的方法依賴先驗幾何模型，如目標的三維形狀和光照模型。陰影的形狀和位置都可以精確的計算出，但很難滿足實施性需求。基于特征的方法是利用陰影的顏色、梯度和紋理不變的特征來分割陰影。但當目標與陰影顏色相近時基于顏色特征的方法就不行了。基于陰影紋理不變的特性來分割陰影適用于背景紋理清晰且均勻的情況。所以本文主要采用基于特征的方法，即基于紋理的算法來消除陰影。

2 基于混合高斯背景建模的運動目標提取

本文采用混合高斯背景建模[2]的減背景方法來實現運動車輛的提取。混合高斯背景建模是基于像素樣本統計信息的背景表示方法，利用像素在較長時間內大量樣本值的概率密度等統計信息（如模式數量、每個模式的均值和標準差）表示背景，然后使用統計差分（如3σ原則）進行目標像素判斷，可以對復雜動態背景進行建模。

在混合高斯背景模型中，認為像素之間的顏色信息互不相關，對各像素點的處理都是相互獨立的。對于視頻圖像中的每一個像素點，其值在序列圖像中的變化可看作是不斷產生像素值的隨機過程，即用高斯分布來描述每個像素點的顏色呈現規律（單模態，多模態）。公式2-1是由K個基本高斯分布函數線性組合成的高斯混合模型。

其中為基本高斯分布函數的個數，高斯分布函數為第個混合組分由均值和協方差矩陣控制，為方差，為單位矩陣，為歸一化參數，滿足：

高斯混合模型用于背景建模時，對每個像素分別建模。當處理彩色圖像時，假定圖像像素點R、G、B三色通道相互獨立并具有相同的方差。在我們的研究中，RGB的3個顏色通道分別用一個單獨的高斯函數進行描述，即用3個高斯函數來綜合描述一個像素點的顏色信息，即取值為3。

高斯混合模型的背景建模具體過程如下：

（1）每個新像素值同當前K個模型按下式進行比較，直到找到匹配新像素值的分布模型，即同該模型的均值偏差在內：

（2）如果所匹配的模式符合背景要求，則該像素屬于背景，否則屬于前景；

（3）各模式權值按如下公式更新，其中是學習速率，對于匹配的模式，，否則，然后各模式的權重進行歸一化：

（4）未匹配模式的均值與標準差不變，匹配模式的參數按照如下公式更新：

（5）如果步驟1）中沒有任何匹配模式，則權重最小的模式被替換，即該模式的均值為當前像素值，標準差為初始較大值，權重為較小值；

（6）各模式根據按降序排列，權重大、標準差小的模式排列靠前；

（7）選前個模式作為背景，滿足下式，參數表示背景所占比例：

根據經驗，學習速率要與視頻幀率相配合，并考慮背景可能發生變化的頻率。在一般情況下，取=0.02能得到滿意效果。

3 基于紋理特征的陰影去除

采用基于混合高斯模型的減背景方法得到目標區域，但該區域往往包含了運動車輛的投射陰影，需要進一步去除陰影。實驗發現，圖像中運動車輛陰影區域紋理特征有以下特性：對于圖像中的淺陰影來說，紋理基本保持不變，而對于圖像中的重陰影來說，幾乎不存在紋理[3]。根據這一特性，我們利用一階梯度表示紋理，并運用sobel 算子計算每個像素點的一階梯度值，通過設定相應閾值區分陰影和非陰影，實現車輛陰影的檢測。

根據sobel算子，背景像素點各通道水平和垂i直方向的一階梯度計算式如式（3-1） 和式（3-2）所示，當前幀像素各通道水平和垂直方向的一階梯度計算如式（3-3）和式（3-4）所示。

其中代表背景像素點（i，j）處的RGB三通道顏色值；代表當前幀像素點（i，j）處的RGB三通道顏色值下標代表三個顏色通道。

根據陰影的特性，如果是重陰影處，一階梯度值應該接近為0， 而如果是淺陰影處，背景和當前幀梯度值相近，那么陰影的判斷準則如下（、為閾值）：

（3-5）

用基于紋理的陰影檢測能夠較好地實現陰影檢測，將這些標記為陰影點的像素從前景中去除，即可得到屬于車輛的前景。

4 實驗結果及分析

實驗環境為Intel Dual-core Duo T5850 2.16GHz CPU、2GB內存，Visual Studio 2010開發平臺，運用OpenCV2.4.3進行編程實現。

為了驗證文中的陰影檢測算法的性能，我們將多種陰影檢測算法分別對樣本數據進行檢測。樣本數據為一段學校入口的車輛視頻，該視頻陰影面積較大，但陰影亮度值較高，屬于淺陰影。通過實驗證明，針對該段視頻，陰影檢測的閾值選為=2.3，=35。

圖1為不同算法進行車輛陰影檢測時的結果。首先獲得車輛視頻幀圖（a），對原始視頻序列圖像使用混合高斯模型進行背景建模，得到背景圖像（b）。將原始視頻圖像與背景圖像相減得到圖像（c）。圖像（d）、（e）和（f）分別為基于紋理特征、顏色特征、幾何特征去除陰影后的圖像。由檢測結果可以看出，基于顏色特征的陰影去除算法不適合車輛圖像，基于幾何特征的陰影去除會引起車輛區域失真，本文算法能夠較好地檢測到車輛視頻中的運動車輛并分割出陰影區域。

5 結語

本文采用了針對視頻車輛目標檢測的準確識別算法，并結合基于紋理特征的陰影去除算法得到去掉陰影的運動目標。實驗證明，此方法能夠快速、準確的在動態視頻中分割出運動車輛和去除陰影，但是還存在一定的不足，還沒有考慮車子相互遮擋的情況，因此還需要不斷改進。

參考文獻

[1]趙旭東，劉鵬，唐降龍，劉家鋒.一種適應戶外光照變化的背景建模及目標檢測方法[J].自動化學報，2011，37（8）： 915-922.

[2]張紅穎，李鴻，孫毅剛.基于混合高斯模型的陰影去除算法[J].計算機應用，2013，01：31-34.

[3]余孟澤，劉正熙，駱鍵.融合紋理特征和陰影屬性的陰影檢測方法[J].計算機工程與設計，2011，32（10）：3431-3434.

[4]Andres Sanin， Conrad Sanderson， Brian C. Lovell.Improved Shadow Removal for Robust Person Tracking in Surveillance Scenarios[C].International Conference on Pattern Recognition， 2010：141-144.

[5]LIU Z， HUANG K Q， TAN T N. Cast shadow removal in a hierarchical manner using MRF[J].IEEE Transactions on Circuits and Systems for Video Technology，2012，22（1）：56-66.