郑 颖，肖 宿

（淮北师范大学 计算机科学与技术学院，安徽 淮北 235000）

多特征自适应融合的运动目标阴影检测方法

郑 颖，肖 宿

（淮北师范大学 计算机科学与技术学院，安徽 淮北 235000）

为去除运动目标检测中阴影造成的误检漏检问题，提出一种基于多特征自适应融合的运动目标阴影检测方法.目标特征的相似度构造目标的多特征描述，利用线性加权将多个特征集成在阴影检测方法中，具体利用目标的YUV颜色空间的亮度色调特征与梯度纹理特征等实现多特征自适应融合的阴影检测.实验表明，该方法阴影检测的有效率在85.3%以上，并且能很好地满足实时场景要求，为后续交通参数的提取等工作奠定良好的基础.

阴影检测；自适应融合；可分性度量

0 引言

随着计算机硬件和多媒体技术的发展，视频监控系统越来越引起人们的关注，在很多的视频监控系统中，摄像机是固定用来记录和监控图像，因此运动目标的检测、跟踪与识别变得尤为重要.但是常随运动目标一起被检测出来的阴影会导致一系列的问题，例如运动目标的不完全检测或者多个目标的合并等.因此，精确的阴影检测是计算机视觉领域一个重要的研究课题.

目前运动目标的阴影检测方法基本分为2大类：一类是基于阴影属性的［1-5］，另外一类是基于阴影模型的［6-7］.其中基于阴影属性的检测方法使用特征及特征组合来检测阴影，如光照强度、颜色、纹理、特征点等；基于模型的方法需要建立各种模型，各种模型的建立需要复杂场景、运动目标及光照等先验知识，由于运算时间复杂度大，该方法比较适合单一场景下的单一目标的阴影检测.基于目前的研究实验表明，基于属性的检测方法是目前相对稳定的算法，其中利用色彩域特征的典型算法有：文献［1］使用HSV颜色空间来检测及消除阴影，方法利用S分量和V分量在目标和阴影点的不同，该算法时间优点是时间复杂度较小，但对于深色目标阴影去除效果较差.文献［2］利用线性变换拟合光照和被阴影覆盖2种情况下的颜色改变，采用后验概率来区分目标和阴影，这种利用RGB空间的色度和亮度失真来检测阴影的算法是基于阴影不会改变所覆盖区域的颜色信息的假设，不使用于浅色车辆，难以在实时系统中应用.根据纹理信息在阴影所覆盖的区域和对应的背景区域信息不会随光照而改变.文献［3］利用Gabor函数分解系数描述纹理，此方法运算量大，非常耗时，不能满足实时要求.文献［4］利用归一化互相关函数来区分阴影和目标.此方法考虑阴影区域和对应的背景区域的近似线性关系，纹理描述比较粗糙，对于阴影和目标边缘检测效果不佳.

只利用单个特征对阴影的去除存在某种局限性.文献［2-5］利用颜色特征和纹理特征等多特征结合的方法去除阴影，多特征的结合对于阴影去除算法存在一定的改进，但是仅仅是特征的结合而不是融合会影响阴影检测的精确性，并且在利用各种特征检测阴影算法中存在很多阈值设定的问题，大多取经验值，不具有通用性和鲁棒性.本文将多个特征通过线性加权的方法进行集成，利用Fisher线性判别准则度量各个特征对阴影与目标的可分性，从而建立基于可分性的多特征融合的自适应机制的阴影检测方法，为验证在变化场景下阴影检测的鲁棒性，选用YUV颜色空间亮度色度特征及梯度纹理特征等自适应融合来检测算法的有效性.

1 运动目标检测

本文采用背景相减法检测运动目标，如图1所示，所用背景由文献［10］算法获得.由于噪声和运动目标的间断，本文采用一系列的形态学算法来去除噪声和填补间断，膨胀用来填充间断，腐蚀用来去除不想要的细节，连通区域处理用来得到运动目标.具体过程如图2所示.

图1 背景差分示意图

图2 目标车辆提取预处理

2 多特征融合策略

不同的特征对阴影与目标的区分能力不同，区分能力强的特征对总的相似度贡献相对较大，因此应该更信任这些区分能力强的特征，而区分能力弱的特征对总的相似度贡献度相对小些.本文先计算阴影、目标与对应背景在各个特征下的相似性，然后根据各个特征的区分能力，对各个相似性进行加权求和获得总的相似性度量Q.

其中Hi为第i个特征下阴影、目标与背景的相似度度量，λi是根据特征的可分性计算的各个特征下相似度度量的权值，其满足.本文选用向量点积计算颜色空间的相似性，选用方向梯度直方图计算纹理间的相似性.根据直方图最后设定阈值T，来确定阴影和目标区域.

3 权值的自适应计算

在实际应用中，阴影与目标在视频图像中都是动态变化的，多数情况下难以获得场景的先验信息，所以需要根据场景内容确定各个特征的权值.视频图像阴影去除可以看作是阴影和目标的分类问题，如果某个特征有很好的区分性，显然会取得较好的去除效果，相反，可分性较差的特征难以获得准确的去除效果，其权值应该小些，各个特征的区分能力可以决定各个特征在阴影去除算法中的权值.

为了度量各个特征的可分性，在前景目标中心附近均匀取M个点，以这些点为中心选择M个m∗n大小的区域作为正例，同时在阴影区域均匀采样N个点和以这N个点为中心的N个m∗n的区域作为反例，考虑正反例数量的选择涉及计算的复杂度，通过大量实验表明，正反例的数量各为9个时可以较好地度量特征的可分性，也不会影响计算复杂度.正反例的选择采用文献［8］中的方法先估计阴影的方向，然后采集正反例的样本点.

本文采用Bhattacharyya系数分别度量目标正例及反例与对应背景区域的相似性，表示为，然后利用Fisher线性判别准则评价每个特征的可分性，其中，,分别表示正例及反例与对应背景的相似度量的均值，正例及反例与对应背景相似度量的散度表示为

归一化后各个特征可分性度量为

4 基于颜色相关性的阴影检测

阴影区域不会改变原始背景区域的色调和纹理分布，只会使其整体亮度有所下降，目前采集的图像大多数都是基于RGB颜色空间的，但该空间各分量间计算量大、相关性高、冗余信息较多.YUV颜色空间到RGB颜色空间的转换是线性的，且YUV颜色空间中亮度分量Y和色度分量UV是相互独立的，经实验验证YUV空间是最好的去除阴影的颜色空间.本文采用YUV颜色空间，利用向量点积定义相关系数，描述当前像素点与对应背景像素点的亮度、色度变化程度.

假设当前像素点为 f(i,j)，令当前图像和背景图像中该像素点的YUV分量值分别为：

本文利用向量点积定义YUV颜色空间相关系数，描述背景像素点和对应前景像素点的亮度和色度的变化程度.

其中，OI(i,j)，OIb(i,j)是当前前景区域像素点和对应背景区域像素点的YUV空间向量，M(i,j)，Mb(i,j)表示窗口内的前景区域像素点和对应背景区域像素点，M¯和v为窗口内像素点的均值和方差.阴影像素点和对应背景色度接近，亮度略低，互相关系数值H1趋近0；目标像素点和背景像素点的色调存在差异，相关系数接近1.

5 基于纹理相关性的阴影检测

纹理特征在阴影和目标区域有很大的不同，经研究发现局部灰度梯度可以很好地描述纹理信息，在阴影检测中，阴影区域像素比相应的背景区域像素亮度值低，但是没有影响到其梯度信息，文献［11］中提到的方向梯度直方图（HOG）用在行人检测中展示了它突出的性能.故本文借鉴该特征用在视频监控中的运动目标阴影检测问题中.

HOG算子概括如下：首先，分别用水平梯度算子［-1，0，1］和垂直梯度算子［-1，0，1］T与原始图像进行卷积，对于每一个像素，量化其0～180℃范围的梯度方向.把每一个邻域内像素的局部纹理特征编码为一个HOG，在本文中这个确定的范围采用8*8的邻域，范围内每个像素的权重使用一维直方图的梯度方向的梯度幅值累积，然后进行直方图归一化处理，那么纹理描述子就为直方图概率分布.

阴影像素点和对应背景点纹理相近，直方图相似度趋近1，目标像素点和背景像素点纹理存在差异，直方图相似度接近0.

6 算法实现及结果分析

6.1 实验数据集

为了验证本算法的准确性，实验视频选用经典视频进行实验，在Matlab平台上进行仿真，所用PC机配置为Intel Core I5，2 GB内存，实验视频为经典视频Highway I，Highway II和自拍视频.

6.2 度量准则

本定量评估采用文献［8］中提出的阴影检测率η和阴影识别率ε，定义如下：

其中，TPS表示正确检测出的阴影像素点的数量，TPF表示被检测为前景像素的数量和被错误检测为阴影像素点数量的差值，FNS表示错误检测为前景像素点的数量，FNF表示前景像素点被错误检测为阴影像素点的数量.

6.3 实验结果

实验选用经典视频highwayI、highwayII和自拍视频，经典视频便于与其他算法比较，自拍视频可以验证算法的实用性.自拍视频帧率为15帧/s，经典视频帧率为14帧/s，权值自适应计算中正反例数量选择各为9个，利用Matlab进行仿真分析，如图3和图4所示，实验效果表明，基于多特征自适应融合的运动车辆阴影检测方法能够准确检测出阴影.

定量分析使用在经典视频上和4种经典检测方法（统计无参数方法SNP，统计带参数方法SP，确定性不基于模型的方DNM1和确定性不基于模型的方法DNM 2）相比较（见表1），从表1中可看出本文提出的方法检测精度更高.

表1 经典实验结果对比 %

图3 车辆阴影检测

图4 车辆阴影检测

6.4 本文方法与常用方法的比较

针对相同的3个视频，本文提出的方法相比文献［8］给出的的4种经典检测方法（统计无参数方法SNP，统计带参数方法SP，确定性不基于模型的方DNM1，和确定性不基于模型的方法DNM 2），从表1中可以看出，本文基于可分性的多特征自适应融合的阴影检测方法通用性更强，检测精度也有一定程度的提升.

针对相同的3个视频，如表2所示，本文提出的方法与多特征结合的阴影检测算法的实验比较，本文提出的方法在检测精度上有一定幅度的提升.

表2 文献实验结果对比 %

7 结论

针对智能交通系统中视频序列中的阴影检测的问题，本文提出了一种基于多特征自适应融合的阴影检测算法，该方法各个特征相似度的权值可以随实际场景的变化自适应调整，以实现各种复杂场景，实验选择YUV空间的亮度色调特征及梯度纹理特征.实验表明，本文方法具有良好的自适应性、鲁棒性，为后续智能交通系统中运动目标的检测与跟踪奠定了基础.

［1］董蓉，李勃，陈启美.路况视频中HSV彩色不变量阴影检测法研究与改进［J］.中国图象图形学报，2009，14（12）：2483-2488.

［2］李晗，武奇生.结合颜色相关性和纹理差异的阴影检测方法［J］.计算机工程，2011，37（15）：146-148.

［3］CHEN W，WANG F.Moving shadow detection in video surveillance based on multi-feature analysis［C］//CMSP 2012，CCIS 346:224-231.

［4］RUI Q，SHENG G，ZHEN L.Moving cast shadow removal based on local descriptors［C］//International Conference on Pat⁃tern Recognition，2010：1377-1380.

［5］LIN C T，YANG CT，SHOU Y W，et al.An efficient and robust moving shadow removal algorithm and its applications in ITS［J］.EURASIP Journal on Advances in signal processing.dio:10.1155/2010/945130.

［6］BENEDEK C，SZIRANYI T.Bayesian foreground and shadow detection in uncertain frame rate surveillance videos［J］. IEEE Trans Image Processing，2008，17（4）：608-621.

［7］张红影，李鸿，孙毅刚.基于混合高斯模型的阴影去除算法［J］.计算机应用，2013，33（1）：31-34.

［8］WANG J M，CHANG Y C，CHANG C L，et al.Shadow detection and removal for traffic images［C］//Proceedings of the 2004 IEEE International Conference on Networking，Sensing and Control，2004：649-654.

［9］黄鑫娟，周洁敏.基于光度特性和多梯度分析的运动阴影去除法［J］.计算机应用，2010，30（2）：370-373.

［10］KONG Jun，ZHENG Ying.A novel background extraction and updating algorithm for vehicle detection and tracking［C］// Fourth International Conforence on Fuzzy Systems and Knowledge Discovery,2007:464-470.

Shadow Detections of Moving Object Based on Adaptive Fusion of Multiple Features

ZHENG Ying，XIAO Su
（School of Computer Science and Technology，Huaibei Normal University，235000，Huaibei，Anhui，China）

In order to solve the problem of error and missed checking caused by shadows of moving objects，the paper proposed a method of shadow detecting which based on multiple features by adaptive fusion，multi⁃ple features description is constructed using similarity and combined by linear weighting.In experiments，we employ YUV color feature and gradient texture feature to implement the scheme.Experiments on different scenes suggest that effective detection rate of proposed method is over 85.3 percent，and can satisfy the re⁃quirement of real-time processing，and set a good foundation for the extracting of traffic parameters.

shadow detection；adaptive fusion；discriminability measure

TP 391.4

A

2095-0691（2016）04-0033-06

2016-07-06

淮北市2015科技攻关计划项目（2015005）

郑 颖（1982- ），女，安徽淮北人，讲师，研究方向：模式识别与人工智能.