袁 园，吴 文，万 毅

（1.新疆理工学院信息工程系，新疆阿克苏 843100；2.温州大学电气与电子工程学院，浙江温州 325035）

（*通信作者电子邮箱1119764335@qq.com）

0 引言

受到光源的遮挡，日常生活中的多数场景均存在着阴影。阴影能保存场景动态及其对象的重要信息，如建筑物和植被区检测［1］、通过卫星图像中的阴影对云进行定位［2］；另一方面，阴影同样是误差和不确定性的主要来源，如动态目标跟踪任务中，阴影可能被误标记为目标［3］。因此，识别图像中的阴影能显著提高诸多视觉任务的性能。阴影的形状、亮度取决于光源的强度、方向、颜色以及遮挡物的几何形状和反照率，根据阴影的强度，可将阴影分为硬阴影和软阴影。硬阴影具有较为清晰的阴影边界，而软阴影常在光源强度较低时产生，阴影边界模糊。已有的大多阴影检测方法，常常局限于硬阴影的检测。而相较于视频阴影检测，单幅图像阴影检测因缺少前后帧的相关信息，显得更具有挑战性。

传统阴影检测方法大多建立于阴影像素的亮度与非阴影像素不同的基础上［4-5］。此外，文献［6］基于统计学习方法，首先将图像分成多个图像块，然后使用最小二乘支持向量机（Least Squares Support Vectors Machine，LSSVM）对这些块进行分类以得到阴影检测结果。近年来，基于深度学习的诸多方法［7-12］以其良好的效果与运算效率迅速成为业内标杆。其中，文献［7］结合条件随机场（Conditional Random Field，CRF）和卷积神经网络（Convolutional Neural Network，CNN）用于提取图像中阴影像素的局部特征。文献［8］首次基于大规模阴影检测数据集提出栈式卷积神经网络（Stacked CNN，Stacked-CNN），它令一个CNN 学习到的语义特征去训练另一个CNN并提炼阴影区域的细节。……