一种基于统计模型的前景阴影消除算法

作者:杨志邦;徐成;周旭;田峥 刊名:小型微型计算机系统 上传者:朱殿颖

【摘要】视频图像中存在的阴影是影响运动目标检测效果的关键因素之一,对阴影进行检测和消除已成为运动检测中的重要研究内容.针对阴影消除问题,本文采用直方图统计方法,将阴影特征引入到传统混合高斯模型中,基于统计特征建立阴影高斯模型;在模型基础上,提出一种新的前景阴影消除算法,将前景像素与阴影模型进行匹配,实现阴影的判定和消除.与同类算法的对比分析表明:本文算法对于不同场景下的阴影消除是准确且实时的,在阴影检测率和阴影区分度上均有显著提升.

全文阅读

1引言运动目标检测是从实时变化的背景中将运动物体快速准确地分离出来,它在智能视频监控、事故检测、自动导航等系统中具有广泛的应用前景,已经成为视觉领域研究的重点[1-3].运动目标检测主要依据前景的运动特征从背景中提取运动目标,采用的方法包括帧差法、背景差法、光流法等.由于阴影具有与运动物体相同的运动特征,通常被误检测为前景.如果阴影和运动物体融合,将影响目标的几何特征;如果阴影与运动目标相分离,则容易被误检测为新的目标[4,5].这些误检测对高层的运动目标分类、跟踪以及行为分析等都造成很大的影响,因此在运动目标检测过程中对阴影进行消除具有重要意义[6].目前,从前景目标中消除阴影还没有有效的方法,是图像领域难解问题之一[7,8].国内外诸多学者专家对其进行了研究[9-14].本文在运动目标检测算法所获得的前景基础上,对阴影消除算法进行研究.阴影消除过程需要使用阴影特征,主要包括纹理和属性[4].基于纹理的阴影消除算法认为:阴影区域跟无阴影区域相比,纹理结构相似,只是灰度变化较大.基于自相关函数的纹理算法以及Gabor小波纹理算法等都属于该类算法[9-11].在文献[9]中,作者对可能的阴影区域进行划分,将划分后的子块运用Gabor小波函数进行纹理分析,通过对比子块与背景的Gabor特征,从而确定该子块是否为阴影.该算法需要大量的映射和比较操作,运算量较大.文献[10]认为阴影对区域纹理影响较小,依据此特征来检测阴影.文献[11]融合颜色和梯度特征对运动阴影进行检测.文献[10,11]中的检测方法由于受到场地的限制,当运动目标和阴影具有相同纹理信息时很难识别出阴影.文献[12-14]是基于属性的阴影消除算法,从阴影的色彩、亮度以及几何结构等方面对阴影进行分析检测.文献[12]根据阴影降低对应区域的亮度,而对饱和度和色度影响不明显的特征,采用多阈值的方法对图像中的背景、前景和阴影进行分割.文献[13]改进文献[12]中的算法,在求取最优阈值的过程中采用了多约束条件,阴影检测效果有所增强.这两种算法均需要设置较多的参数,阴影消除的适应性比较差.文献[14]基于HSV彩色空间的色度值,融合RGB色彩模型中的蓝色分量信息对阴影进行消除.算法以蓝色分量为模板,计算模板与阴影区域间的直方图,采用单阈值方法来确定阴影区域.对于复杂场景,这种单阈值的方法难以取得很好的效果.针对现有阴影消除算法的不足,本文开展了以下工作:1)在HSV颜色空间下,通过对阴影区域内各个像素点的H、S、V通道颜色值进行统计,与相应的非阴影区域进行直方图对比分析,基于统计信息在三个通道上分别建立独立的高斯模型,从而构建HSV颜色空间下一种新的阴影高斯模型,通过训练阴影样本得到模型参数.2)在阴影模型的基础上,提出一种基于统计模型的前景阴影消除算法,在各个通道上计算当前像素与阴影模型的匹配程度,对各通道的匹配值进行加权,与预定阈值进行比较从而判定是否为阴影.将本文算法与同类算法进行实际视频测试,实验结果(见表1)表明本文算法对于不同场景下的阴影都能够很好地消除,相对已有算法在阴影检测率和阴影区分度两个指标上均有显著提升.并且本文中算法参数通过样本训练得到,减少了阴影消除过程中参数设置的复杂度.2阴影特征建模阴影与前景目标存在区别,本节通过多个视频的直方图统计分析,得出阴影特性,然后采用阴影样本训练模型参数,最终建立阴影模型,以下对其进行详细介绍.2.1阴影特征分析当光线被物体遮挡时,便会产生阴影.阴影的状态一般受环境光的强度、物体的透明度以及地面的质地等因素的影响.通常情况下,阴影会导致对应

参考文献

引证文献

问答

我要提问