谭道强，曾 诚，2，3*，乔金霞，张 俊

（1.湖北大学计算机与信息工程学院，武汉 430062；2.湖北省软件工程工程技术研究中心（湖北大学），武汉 430062；3.智慧政务与人工智能应用湖北省工程研究中心（湖北大学），武汉 430062）

0 引言

因光源遮挡，阴影广泛存在于日常生活中。一方面，阴影虽会导致图像内容不完整，从而降低目标识别、目标跟踪、视频监控、自动驾驶等任务的准确性，但其存在也能为光照光向预估、物体的几何形状预测等视觉研究提供相应的依据。所以研究阴影检测算法，并将其用作计算机视觉任务的预处理步骤，提前标注出阴影区域的位置，避免其与待处理目标的混淆，可提高计算机视觉算法的鲁棒性。

传统的阴影检测算法通过颜色空间或者光照不变性等物理模型，使用自定义特征，例如颜色、光照变化等来检测阴影，但无法适用于场景复杂的阴影［1］。近年来，深度学习算法迅速成为主流，文献［2-6］中提出了完整的本征图像理论，该理论建立在光照均匀假设的基础上，利用熵值最小化方法求取灰度不变图像，但因光照并不均匀，无法得到鲁棒的检测结果。文献［7］中提出基于支持向量机（Support Vector Machine，SVM）方法分别构建成对区域分类器，使用图割法算法实现最终预测，但仍然不具备较高的运算效率。随着卷积神经网络（Convolutional Neural Network，CNN）［8-9］的出现，陆续提出了一些基于CNN 的阴影检测算法。文献［10］中使用CNN 进行阴影检测，训练两个网络分别用于检测阴影区域和阴影边缘，将检测结果输入条件随机场（Conditional Random Field，CRF）得到分类结果，相比之前的算法效果有了明显的提升。……