孙 鹏 于 彤 冯鹏定 蒋庄浩 魏丹妮 单大国

（1 中国刑事警察学院声像资料检验技术系 辽宁 沈阳 110035;2 现场物证溯源技术国家工程实验室 北京 100038；3 江西省经济犯罪侦查与防控技术协同创新中心 江西 南昌 330103；4 沈阳市公安局于洪分局 辽宁 沈阳 110141）

1 引言

随着新媒体技术的不断发展，视频已成为最重要的信息传播载体。在目前的公安工作中，视频侦查主要是对视频中的犯罪嫌疑人及嫌疑车辆识别、追踪。对视频中目标识别、追踪时，目标的姿态、形状等特征，随其运动会发生较大变化，不利于跟踪识别。而视频中的色彩特征稳定，辨识度高，在视频分辨率变化时表现出较强的鲁棒性，可以作为视频侦查工作所依赖的主要参考特征[1]。

视频中物体的色彩信息常因光源特性的差异及光学传感器的不同而产生较大的改变。不同于成像设备，人眼具有“色彩恒常”的能力，即能在一定程度上消除光照条件等因素对物体色彩的影响，正确感知到物体固有的颜色。E.Land等人模拟人眼的这种功能，提出了一系列色彩恒常性算法[2]，用以解决光学系统中物体色彩随光照变化而发生偏移的问题，使成像设备“具备”人眼的色彩恒常能力，真实再现物体本身的颜色。在公安工作中，跨摄像头追踪同一犯罪嫌疑目标也时常会遇到视频色彩偏离的问题，不利于准确迅速的定位犯罪嫌疑目标。因此，将色彩恒常算法应用于监控视频预处理可以进一步提高犯罪嫌疑目标识别、追踪的准确率。现今存在的色彩恒常性算法可分为两类，第一类为使用低级图像特征的算法，可直接用于图像色彩校正，E.Land提出的Retinex理论[3]是很多此类算法的理论基础。第二类算法是学习型算法，即在特定数据库中通过学习来获取可能的光源及色彩反射分布等图像信息，用以估计光源，比较典型的算法有：色域映射方法[4]、应用概率统计知识的色彩恒常性方法[5]等。

不同于图像，视频具有连续性的特点，所以必须充分考虑相邻帧间的相关性，并选择快速有效的色彩恒常性方法来保证系统功能的实时性[6]。因此，本文在随机选取视频关键帧[7]作为参考帧的基础上，使用了时间效率最高的循环迭代Retinex算法对视频中犯罪嫌疑目标进行色彩校正。实验结果表明，本文方法可以较好的克服视频中犯罪嫌疑目标的色彩偏离问题，进一步提高视频侦查工作的效率。

2 Retinex算法

众所周知，视频由多帧图像构成。所以，对偏色视频的处理可以简化为对偏色视频帧的处理。由于监控系统常常处在光源非均匀分布的环境，而Retinex算法是处理由点光源照射或光源非均匀分布场景的一种极佳算法，遂选取该算法用于视频的预处理环节。

Retinex理论的核心是将视频的每一帧都看做是入射光分量和反射光分量的乘积，即

其中s（x，y）=log（S（x，y）），r（x，y）=log（R（x，y）），l（x，y）=log（L(x，y））。现实中直接获得反射分量是很困难的，所以计算时一般先通过原视频帧估计入射光分量，然后通过公式（2）计算反射光分量。Retinex算法的流程图如下：

图1 Retinex算法流程图

3 随机参考帧的McCann算法

3.1 参考帧的选取方法

参考帧的选取对于Retinex算法非常重要。研究中常使用视频的第一帧作为参考帧，在简单光照条件下，或基于光照条件不变的假设时，这种参考帧选择方法能够为偏色视频的校正效果提供参考依据。然而，在实际的公安工作中，光照条件的变化十分频繁与复杂，这种简单的参考帧选取办法容易受到光照条件等因素的影响而导致算法效果的误判。为了更好的将算法应用于公安实战，本文参考帧从光照条件较好情况下包含追踪目标的视频帧中选择。

（1）选取关键帧。算法的目的是更快更准确的追踪嫌疑目标，所以选取的关键帧必须完整清晰的展现嫌疑目标。我们设目标大小占画面高度的三分之一为最佳，这样既可以保证清晰的提取到嫌疑目标的体貌特征，又能尽可能全面的将四周环境摄入，以防止色彩范围太过局限。

（2）选取参考帧。在关键帧中选取参考帧主要考虑光照因素。对于阳光室外场景来说，8点钟拍摄的视频存在过曝光现象，且通过计算10点钟的光源条件较其他时间段均要好，遂选取10点钟拍摄视频的第250帧为参考帧；对阴影室外和室内场景，采用相同原则选参考帧，所以分别选取了阴影室外10点的第270帧，以及室内12点所拍视频的第200帧为其参考帧。

3.2 McCann算法

本文选取基于多重迭代策略的Retinex算法[8]，也称为McCann算法。该算法认为视频帧中某点的像素值由一条特定的路径环绕决定，再经多次迭代逐渐逼近期望的理想数值，然后对螺旋路径上各像素点的灰度值进行比较，实现视频帧照度分量的估计并去除。假设中心部分本身亮度较高，即最终结果为高亮度值；若中心部分亮度值低，导致中心值减其他点的结果为负值，则最后算出的结果中，中心部分的反射率估计值较小，亮度也相对较低。由以上分析可知，选取路径上的点要能较好的反应整幅图特性，算法基本原理如公式（3）所示。

McCann算法先将经过对数变换的原视频帧s初始化。算法按照公式（3）进行迭代，是转换次数，如图2所示，每次进行替换的部分设为图像长和宽中较大者的二分之一。由于物体不可能反射所有的入射光线，所以必须保证亮度图像满足限制，也就是，所以迭代中用函数来确保视频帧s永远小于亮度图像

3.3 色彩校正效果评价标准

如今常用的比较算法校正效果的标准主要为主观评价标准和客观评价标准。主观评价标准较为简单，即直接根据观察者的视觉感受来评价算法校正后的图像色彩，客观评价标准则需要通过计算标准光源（通常是相对标准的情况下的光源）和校正后得到的光源之间的距离来评价校正效果。距离度量中常进行rgb的归一化运算：

在色彩恒常研究中，常用的两个性能指标是欧几里得距离和角度误差，后者使用更为广泛。欧几里得距离是测量标准光源和矫正后所得到的新的光源估计值之间的距离：

图2 McCannRetinex算法路径选择示意图

4 实验

为了验证本文方法的有效性，并充分考虑日光强度对算法的影响，实验样本分别采集自室内、阳光下室外及阴影处室外3类光照条件。首先对选取的视频参考帧进行处理，将该帧中得到的估计光源视为标准光源。设置对照实验：随机抽取实验样本中的300张（非参考帧）视频帧，计算其与参考帧之间的角度误差。然后用Retinex算法处理这300帧，计算处理后的视频帧与参考帧之间的角度误差。通过两组实验数据的比对说明该算法在视频处理中的有效性[9]。图3到图5为主观效果的比较，（a）～（c）分别为视频参考帧，未进行色彩校正的原始帧及经Retinex算法校正后的视频帧。本实验视频均为小米6自带摄像机固定状态下拍摄，拍摄日期为2018年4月11日。部分实验样本如图3～5所示。

图3 阳光室外场景结果图比较

图4 阴影室外场景结果图比较

图5 室内场景结果图比较

从图3～5各时间段的（a）和（b）可以看出，即便是同一摄像机拍摄的同一场景，不同时刻的视频帧光照条件也是不同的，光照较暗淡的室内场景的光照变化更是非常明显。而经过多重迭代策略的Retinex算法校正过的图像（c）亮度明显得到了提高，接近标准帧的光照条件，同时体貌特征等信息也更加突出。现用客观评价标准来说明基于多重迭代策略的Retinex算法在视频处理中的有效性。视频帧间角度误差的计算如公式（7）所示[10]：

表 角度误差的比较

观察表，整体来看，经过基于多重迭代策略的Retinex算法校正后，室外两类场景下视频的帧间角度误差均小于未进行算法校正的视频序列，而室内环境的帧间角度误差结果却相反，经算法处理后的视频帧角度误差甚至大于未经处理的帧间角度误差。按时间段来看，10点时刻拍摄的阳光室外视频帧，10点时刻的阴影室外视频帧，以及10点、12点、14点、18点时刻的室内视频帧处理效果同样与期望相反。可以发现，关键帧临近时间点的视频帧处理后误差均大于原图像误差，这是由于相对参考帧，视频帧在理论意义上不存在偏色现象，这种情况下对其进行色彩恒常算法校正只会起到反效果。而室内环境下拍摄的部分实验样本，光照条件较差，无法满足Retinex算法进行光源估计所需的条件，所以处理效果不佳。

5 结论

在讨论了经典Retinex算法原理的基础上，选取了基于多重迭代策略的Retinex算法进行视频帧预处理，并针对公安实际工作，对视频参考帧进行了定义和选择。分别对阳光室外、阴影室外及室内实验样本进行处理后，在主观和客观方面对实验结果进行了讨论。结果表明，视频光照条件较好的情况下，该算法可以去除光源变化给图像带来的影响，将光照条件存在变化的视频帧校正到同一光照条件下，有效解决视频帧间存在的色彩偏离现象。