一種基于陰影檢測的運動目標分割改進算法

王偉 郭中華 蘭旭婷

摘要：討論了用于背景減除法的常見顏色模型，針對低飽和度下色度值不穩定的問題，提出一種基于色度、亮度和飽和度空間（IHIS）的改進算法。該方法運用具有飽和度的三維極坐標系統表示顏色的能力，采用飽和度加權色度統計來色度一飽和度關系進行建模，而該飽和度與亮度函數無關。通過CDW2014公開數據集的實驗，與基于RGB和HSV的方法進行了比較，分割結果的客觀評價指標與主觀視覺驗證了該改進算法更適合于魯棒性背景建模和陰影抑制，表明了該方法的有效性。

關鍵詞：運動分割;陰影檢測;背景扣除;色彩空間

中圖分類號：TP391.4 文獻標志碼：A

文章編號：1008-1739（2021）09-67-5

An improved Algorithm for Moving Target Segmentation Based on

Shadow Detection

WANG Wei，GUO Zhonghua1.2， LAN Xutingl

（1. School of Physics and Electrical Engineering， Ningxia University. Yinchuan 750021. China;

2. Ningxia Key Laboratory of Intelligent Sensing for Desert Information. Yinchuan 750021， China）

Abstract： The common color models used for background subtraction are discussed. Aiming at the problem of unstable chromaticitYvalues under low saturation， an improved algorithm based on chromaticity， bri～tness and saturation space （IHLS） is proposed. Thealgorithm utilizes the capability of representing colors of a three-dimensional polar coordinate system with saturation. and adopts thesaturation-weighted chromaticity statistics to model the chroma-saturation relationship， and the saturation has nothing to do with thebrigtness function. Throuah the CDW2014 public data set experiment， compared with the method based on RGB and HSV. theobjective evaluation index of the segmentation result and subjective vision verify that the improved algorithm is more suitable for robustbackground modeling and shadow suppression， and has availability.

Keywards： motion detection： shadow detection; background subtraction; color space

0引言

運動對象的檢測與分割是視覺研究領域的一個重要課題，諸如目標跟蹤和場景理解之類的視覺監視應用程序，其基礎步驟就是檢測運動對象。背景減除算法通常用于通過使用統計顏色背景模型來檢測感興趣的對象。目前，許多系統利用標準化RGB的特性來改善一些場景照明變化中的不敏感性。在研究陰影檢測與分割的算法中，辛國江等人[1]提出了一種基于體色向量匹配的陰影檢測與分割算法。在前景區域與背景區域亮度對比之上，利用體色向量匹配方法得到最終的陰影區域。李宗民等人[2]引入了基于顏色不變量的陰影檢測法，提高分割精度。Hong和Woo等人[3]在其背景分割系統中應用了標準化RGB空間。WanXia Yu等人[4]使用了顏色空間進行自適應背景減除算法。除了歸一化RGB外，以三維極坐標（色度、飽和度和亮度）的RGB顏色空間的表示形式還用于監視應用程序中的變化檢測和陰影抑制。WANG Weihua等人[5]將顏色模型（HSV）應用于實時視頻分割的背景建模。在他們的工作中，引入了一組復雜的規則，以反映檢測和模型更新過程中觀察到的和背景顏色信息的相關性。Cucchiara等人[6]提出了一種基于RGB的背景模型，將其轉換為顏色模型表示形式，以便利用HSV色度信息的屬性進行陰影抑制。

本文方法建立在改進的色度、亮度和飽和度顏色空間上，更適合于背景減除法。使用飽和度加權的色度統計[7]來處理弱飽和度下的不穩定色度值，可以有效分類場景照明（例如陰影）的變化，對飽和度和色調之間的關系進行建模。

1顏色空間

I.I歸一化RGB

標準化RGB空間旨在將色度分量與亮度分量分開。通過使用以下公式，可以將紅色、綠色和藍色通道轉換為其歸一化的對應通道：

1-R+ G}-B，FR/1，g=G/1，～B/1

（1） 如果J≠O且Fg= IFO，則這些歸一化通道之一是冗余的[8]，因為根據定義，f+g+b=1。

歸一化的RGB空間由2個色度分量（例如r和g）和亮度分量L充分表示。從POORNIMA S等人[9]的文中可以知道，歸一化RGB的實際應用存在歸一化所固有的問題，低強度的噪聲（例如傳感器噪聲或壓縮噪聲）導致不穩定的色度分量，如圖1所示。請注意深色區域中的偽影，例如灌木叢（左上方）和汽車的陰影區域（右下方）。

1.2 IHLS顏色空間

在文獻[10]中引入了色度、亮度和飽和度的顏色空間。通過將消色差軸放置在RGB顏色立方體中的所有灰色（ R-G-B）點上，然后根據消色差軸上的位置（亮度）距該軸的距離來指定每個點的坐標，來獲得（飽和度S）和相對于純紅色的角度（色度H）。通過消除亮度對飽和度的歸一化，針對類似的顏色空間（HLS，HSI，HSV等）改進了此模型。具有消色差像素的飽和度始終較低和飽和度與所使用的亮度函數無關的優點。因此，可以選擇任何函數來計算亮度。

通過亮度對飽和度進行歸一化（通常導致顏色空間具有圓柱形狀而不是圓錐形或雙圓錐形），通常是從RGB到三維極坐標空間的轉換方程式的一部分。在有關這種類型的轉換論文[12]中提到了這一點，但是在文獻[11]中經常顯示圓柱空間（即具有標準化飽和度）的方程式以及圓錐或雙錐圖。圖1顯示了不同飽和度公式的比較。由飽和度歸一化產生的不良影響很容易察覺，因為一些較暗、無色的區域（例如駕駛汽車的灌木叢和側窗）達到的飽和度值要比其較飽滿的環境高。

以下公式用于從RGB轉換為顏色空|司的色度eH，亮度y和飽和度s：Fmax （R，G，B）-min （R，G，B）;y=0.212 5R+

其中，crx和cry表示色度坐標，cr∈[O，1]色度。飽和度的取值范圍為[O'1]，與色度角無關（最大飽和度值由圖2中色平面上的圓圈表示）。色度具有圖2中虛線六邊形所示的最大值。使用此表示法時，如果s -0，則色度是不確定的，并且當s為低值時，色度將不包含很多有用的信息（靠近消色差軸）。

1.3本文改進算法

在三維極坐標空間中，可以使用標準（線性）統計公式來計算亮度和飽和度坐標的統計描述符。但是，色度是一個角度值，因此應使用循環統計中的適當方法。讓e7c盧1，2，…，n）從一組角度色調值中采樣的n個觀察值。然后，由O一（O，O）7指向單位圓周上與日i對應的點的向量坐標由笛卡爾坐標（COS OH， siri OH）。給出。

將平均方向OH定義為單位欠量h1…h1的合成的方向為而arctan2（y，x）是四象限反正切函數。合成向量的平均長度為：式中，R為度量數據分散性的指標。如果n個觀測方向日？緊密圍繞平均方向OH聚集，則將接近1。相反，如果角度值分散很大，則R將接近0。將圓方差定義為：

V=1-R。

（5）

雖然圓方差與線性統計方差的不同之處在于其范圍為[0'1]，但在較低值代表較少分散數據的方式上，這是相似的[12]。

1.3.1飽和度加權色度統計

僅基于色度的統計數據的使用，具有忽略色度亮度和飽和度之間緊密關系的缺點，對于弱飽和的顏色，色度通道并不重要，并且在圖像噪聲引起的顏色變化的情況下，其行為無法預測。實際上，對于零飽和度的顏色，色度是不確定的。如圖2所示，色度分量可以通過笛卡爾坐標欠量c1表示，其方向和長度分別由色度和飽和度給出。使用這種自然的方法，通過用相應的飽和度兩加權單位色度向量h，將上述關系引入到色度統計中。

讓（os。）是從一組色調值和相關的飽和度值采樣的n對觀測值。運用之前描述進行操作，所不同的是，代替計算單位欠量的結果，將在整個文本中將色度欠量白的長度配成為兩。 在式（4）中對向量分量兩進行加權：

C.=∑i Si COS OH，s.=∑i Si sinOH，

（6）并選擇色度欠量的平均結果長度為：因此，對于平均結果色度欠量，得到：

Cn=（C。/n，S，/n）T 。

（8） 將結果與所有具有相同方向欠量和最大飽和度時所獲得的長度進行比較。因此，r給出了欠量飽和度的指示，該飽和度決定了色度欠量的平均值，并給出了欠量的角度分散。為了測試平均色度向量c是否類似于新觀察到的色度向量，在色平面中使用歐氏距離式中，co-&h。，島和h分別表示觀察到的色調欠量和飽和度。

1.3.2 IHLS背景模型

在上節中的基礎上，設計了一種基于IHLS顏色模型和飽和度加權色度統計信息的簡單背景扣除算法。具體而言，每個背景像素均由其平均亮度u，和q，相關的標準偏差，以及平均色度欠量瓦和瓦與觀察到的色度欠量之間的平均歐氏距離tTo進行建模。再觀察新獲取的圖像中每個像素的亮度%，飽和度s。和笛卡爾色度欠量屯時，如果滿足以下條件，則將該像素分類為前景：

l（y.-tty）l> ao'yV IICn -S.h.||>a盯D，

（10）其中，前景闕值n通常設置在2-3.5。 為了確定前景檢測是由移動物體還是由其在靜態背景上投射的陰影引起的，利用了IHLS空間的色度信息。如果滿足以下3個條件，則將前景像素視為陰影背景

這些方程式旨在反映實證觀察，即投射陰影會導致背景變暗，通常會降低像素的飽和度，而對色度的影響有限。式（II）使用閾值 B考慮主要光源的強度來處理亮度分量。如Cucchiara等人[6]提出的執行飽和度降低的測試。最后，通過將觀察到的色度欠量h縮放到與平均色度欠量c相同的長度來補償飽和度的降低，并使用歐氏距離測試色度偏差。與檢查角度偏差相比，還考慮了模型對色度欠量的置信度。也就是說，在歐式距離上使用固定的閾值r。可以放寬角度誤差范圍，從而有利于模型在較低的飽和度值r處獲得更強的色度偏差。

2實驗結果與分析

2.1性能評價指標

分割的質量原則上可以通過2個特征來描述，即與參考分割的空間偏差以及空間偏差隨時間的波動。本文分別從以下指標做出了評估：Recall，Specificity[14]，FPR，FNRc1習，F_measurec[16]。計算公式如下：式中，TP為正確前景，FP為錯誤前景，刷為錯誤背景，TN為正確背景。

2.2實驗結果

將3種不同方法進行了比較，使用RGB（ RGB+NRGB）陰影檢測的RGB背景模型，以及基于HSV進行背景建模和陰影檢測的方法（ RGB+HSV）。使用Gao Bing和Farhan Ullah等人[17]的方法實現背景建模。如果le。“。I> acFe則像素被視為前景。對于任何通道c，其中c∈{c鰣）分別用于歸一化RGB和c∈{R，G，B）用于RGB空間。島表示觀測值，p。表示平均值，表示標準偏差，以及a表示前景閾值。通過對背景像素和前景像素使用不同的學習率，通過指數加權平均來維護測試的背景模型。在實驗期間，相同的學習率和更新參數用于所有背景模型，以及相同數量的訓練框架。對于RGB（ RGB+NRGB）陰影抑制是基于Horprasert的方法[3-4]實現的。如果滿足以下條件，則每個前景像素都被分類為式中，口和t。表示強度和顏色通道的最大允許變化的閾值，因此將像素視為陰影背景。

在基于HSV的方法（RGB+HSV）中，在應用以下陰影測試之前，將RGB背景模型轉換為HSV（具體是參考亮度度。、飽和度p;和色度腳）。在以下情況下，前景像素被歸類為陰影

第一個條件測試觀察到的亮度v0在p.和盧：所定義的范圍內是否變暗。在飽和度s上執行差異閾值。陰影會降低點的飽和度，并且圖像與參考之間的差異通常對陰影點為負。最后一個條件考慮到這樣的假設，即陰影只會使色度eHo產生很小的偏差。

為了評估算法，在公開數據集CDW2014上進行了3個測試序列，輸出圖像如3圖所示。

為了進行密集評估，通過實驗確定了所有參數的合適范圍，并以10個步驟對它們進行了二次采樣。其中RGB+NRGB分別在未歸一化和歸一化飽和度下進行測試的;但是，由于歸一化飽和度始終表現較差，可以看到RGB+NRGB的不敏感性。淺色時色差小，飽和色弱。RGB+HSV經受了色度測試，對接近消色差軸的不穩定色度值有強烈的反應。對于保守的閾值（即c或者較小值），所有這3種方法要么將樹木下的陰影檢測為前景，要么對于較大的閾值無法將人的手臂分類為前景。圖4顯示了來自測試序列1的輸出圖像。提供了源圖像（a），本文方法得出的圖像（b）以及與之比較的算法得出的圖像。結果表明，與圖4（c）和（d）比較，圖4（b）中車輛的檢測精度更高，雖然還是存在噪聲和孤點，由于車輛不斷運動速度很快，所以分割難度較大。

對于測試序列2，方法的有利行為更加明顯。盡管場景是由高度飽和的穩定色彩組成的，但RGB+NRGB的顯示效果卻很差，再次是由于它們對亮色的敏感性不足。RGB+HSV可以提供更好的結果，但不能充分利用顏色信息。圖5顯示了來自測試序列2的輸出圖像。

序列3顯示了在之前已經提到的使用NRGB進行背景建模的問題。由于該場景中的低亮度和噪聲的存在，色度分量不穩定，因此運動檢測導致增加了圖像的數量誤報。RGB+NRGB和本文方法表現出相似的性能（本文方法具有輕微的邊緣），主要取決于亮度檢查，因為在陰影區域中沒有太多可用的信息。RGB+HSV表現較差，在背景區域中難以解決不穩定的色度信息。圖6顯示了測試序列3的輸出圖像，表1是性能比較。

3結束語

在提出的框架中，提倡應用飽和度加權的色度統計數據來解決低飽和度下色度值不穩定的問題。實驗表明，在幾個具有挑戰性的序列中，本文方法優于使用歸一化RGB和HSV的方法。此外，由于NRGB在黑暗區域的行為不穩定，因此不建議將NRGB用于背景建模。但是，本文方法的一個問題是，由于使用了飽和度加權色調統計數據，因此無法判斷背景模型中的短色度欠量是不穩定的色調信息還是永久性的低飽和度的結果。盡管在進行的實驗中沒有發現明顯的損傷，但這是進一步研究的主題，在這種情況下，這種缺陷會帶來問題。其他感興趣的領域是檢查歐式距離的替代方法，以比較色度向量，以及對陰影分類進行實驗幽性深入研究。

參考文獻

[1]辛國江，鄒北驥，劉相濱，等.運動物體的陰影檢測與分割[J]工程圖學學報，2007（6）：85-90.

[2]李宗民，張洲凱，劉玉杰.基于像素自適應背景建模的運動目標分割[J].計算機工程與設計，2018，39（3）：785-791.

[3] HONG D，WOO. W.A Background Subtraction for aVision-based User Interfac e[C]//ln Proceedings of 2003 JointConference of The 4th International Conference OnInformation. Communications& Signal Processing and 4thPacific-Rim Conference on Multimedia.15一18 December2003， Singapore：IEEE，2003： 1263-1267.

[4] WAN Xiayu.JING Su.Moving Vehicle Detection SchemeUsing Edge Information and Background Subtraction inYcbcr Color Space[J] .Adv Mat Res.2014.3326：2605-2608.

[5] WANG Weihua. WANG Weiqing.Video SegmentationAlgorithm Based on H sv Color Piece[J].Procedia Environ Sci.20II.IO（Pt A）：739-742.

[6] CUCCHIARA R，GRANA C，PICCARDI M，et al. ImprovingShadow Suppression in Moving Obj ect Detection with HSVColor Information[C]//TSC 2001. OaHand： IEEE.2001 ：334-339.

[7] IVAN H.MICHAEL B. H.THOMAS B M. et al. ChromaticShadow Detection and Tracking for Moving ForegroundSegmentation [J]. Image Vis Comput，2015，41 ：42-53 .

[8] NICOLAS H.Pinel J M.Joint Moving Cast ShadowsSegmentation and Light Source Detection in Video Sequences[J] .Signal Processing： Image Communication，2005.21（1） ：22-43 .

[9] POORNIMA S.SUBRAMANIAN S. Unconstrained IrisAuthentication Through Fusion of Rgb Channel Infonnation[J] .International Journal of Pattern Recognition and ArtificialIntelligence.2014.28（5）：1-10.

[10] SALVADOR E.CAVALLARO A.EBRAHIMI T. CastShadow Segmentation Using Invariant Color Features[J].Computer Vision and Image Understanding.2004.95（2） ： 238-259.

[II] KYUNG J K.MIN B K.CHEON H.et aI.Wide Color Gamutand High Dynamic Range Displays Using Rgbw Lcds[J].Displays，2015.40 ：9-16.

[12] CUCCHIARA R.GRANA C.PICCARDI M，et aI.DetectingMoving Obj ects， Gho sts. And Shadows in Video Streams[J] .IEEE Transactions on Pattern Analysis and MachineIntelligence.2003 .25 （10） ：133 7-1342.

[13] GRACIELA B.DANIELA R.WENCESLAO G M. Goodnessof Fit Test for Directional Data[J].Scandinavian Journal ofStatistic s，2014，41（1）：259-275.

[14] THONGKAMWITOON T.ARAMVITH S.CHALIDAB HONGSE T H.An Adaptive Real-timeBackground Subtraction and Moving Shadows Detection[C].//2004 IEEE International Conference on Multi media andExpo.Taipei： IEEE，2004： 156-160.

[15] HII A，HANN C E.CHASE J G.et aI.Fast Nonnalized CrossCorrelation For Motion Tracking Using Basis Functions[J].Comput Methods Programs Biomed.2006，82（2） ： 144-156.

[16] VILLEGAS P.MARICHAL X. Perceptually-weightedEvaluation Criteria for Segmentation Masks in Video Sequences[J]. IEEE Trans. on hmage Process.2004.13（8） ： 1 092-1103.

[17] ANON. An Efficient Static Filters for Sky Detection[J].Research Joumal of Applied Sciences， Engineering andTechnology， 2017， 14（8） ：276-280.