[发明专利]一种视频图像中运动车辆阴影检测方法

说明书

技术领域

本发明属于数字图像处理领域，特别涉及一种视频图像中运动车辆的阴影检测方法。

背景技术

阴影主要是物体遮挡光源而在形成的暗区域，根据阴影的特征可分为自阴影和投射阴影。自阴影是物体本身未被光线照射的部分，视频分析中运动目标的自阴影应属于目标物体的一部分。而投射阴影是物体遮挡光源后投射在场景中的阴影，例如树木、车辆、行人等物体投射在路面上的阴影，这是视频场景的一部分而非运动目标。在视频中的投射阴影可分为静态阴影和运动阴影。静态阴影在背景建模中被逐渐融入到背景中。运动阴影是由场景中移动的前景目标遮挡光线而投射在场景中的暗区域，随着目标一起运动。

由于车辆投射在路面的运动阴影与车辆具有很相似的运动特征，因而运动阴影常常被误判为前景运动目标的一部分。若不消除此类运动阴影，会导致前景目标形状畸变、多个运动目标粘连等缺陷，对后续的车辆检测、车辆跟踪、车型检测等图像处理操作产生很大的影响，所以检测运动车辆阴影是非常必要的环节，一直是研究的热点课题之一。

目前，阴影检测的算法可以分为基于阴影模型的方法、基于阴影属性特征的方法和基于机器学习的方法等类型。

(1)基于阴影模型的方法：主要是对视频场景进行建模，包括对光源建模和投射方向建模等类型。在光源建模中，一是假设纯白光为唯一光源，阴影是由于光线被线性衰减造成的，另一种是假设光源是直射光(如太阳光)和漫反射光共同作用，光线被非线性地衰减而形成阴影。例如Nadimi和Bhanu提出了一种双色模型，综合考虑两种光源对阴影区域的影响。在投射方向建模方面，刘直芳等提出了一种投射阴影方向模型，袁基炜和史忠科在此基础上进一步提出了八种车辆/阴影模型。基于模型的方法需要预先获得光照条件、运动目标、场景等先验信息，在背景复杂、光照突变等众多场景下，所建立的模型存在适应性方面的缺陷。

(2)基于阴影属性特征的方法：主要是利用阴影的亮度、梯度、色彩、纹理等信息来识别阴影区域。通常认为阴影区域(特别是半影区)的亮度变低，而梯度、色度、纹理等变化较小或忽略不计。基于特征的方法对不同的场景以及光照条件具有较强的鲁棒性，但算法的普适性尚有待提高。

(3)基于机器学习的方法：通过构造支持向量机、神经网络等分类器模型，建立纹理、灰度等特征的学习库，并对分类器模型进行训练学习，再由训练好的分类器来判别暗区域是否为阴影。这类方法解决了自动学习、模式识别等方面难题，但分类器的泛化能力、普适性等方面尚待提高。

综上所述，各类方法在处理阴影问题上尚具有一定的局限性，有必要对阴影检测方法进行改进。

发明内容

鉴于此，本发明提供一种视频图像中运动车辆阴影的检测方法，以克服现有方法中存在的缺陷和不足。

为实现上述目的，本发明提供了一种运动车辆阴影消除方法，包括：

(1)提取运动车辆目标的图像I_F和背景图像I_B后，分别转换为YCbCr色彩空间，获得图像I_F和背景的亮度分量Y、色度Cb和Cr分量，然后构建融合亮度、色度特征信息的图像I_fea，图像I_fea中各点的像素值为

其中，BW为基于背景相减的运动目标检测方法所获得的二值化前景目标图像，D为像素P(x,y)的邻域，然后将图像I_fea经最大类间方差法求得阈值T_fea，再将图像I_fea中小于阈值T_fea的像素值变为零，从而得到图像H_fea；

(2)对图像I_F进行区域分割，并计算图像I_F的各区域与其背景图像之间色度Cb与Cr之间差值的绝对值总和，将其最大值的区域D_seg(i)作为车辆车体的搜索起始区域，即

(3)采用边缘算子对图像I_fea进行边缘检测，获得边缘图像E，依最大类间方差法求得边缘图像E的二值化阈值T_edge，将小于阈值T_edge的边缘值变为零，得到含边缘特征的图像I_edge，并将图像H_fea与图像I_edge进行叠加，形成含有边缘、亮度和色度信息的特征图像M，即

M(x,y)＝I_edge+H_fea(x,y)

其中，