[发明专利]基于正交分解和EM算法的阴影检测方法

摘要

本发明涉及基于正交分解和EM算法的阴影检测方法，包括以下步骤：利用原始图像中阴影区域内外的线性模型建立线性方程组；对该线性方程组进行正交分解得到一幅彩色光照不变图像和一幅光照变化图像；对彩色光照不变图像采用K‑means算法进行分类：根据分类结果对光照变化图像采用EM算法进行高斯混合建模，提取阴影区域；最后采用形态学算子对提取的阴影区域进行优化。本发明采用简单的正交分解和EM迭代算法提取阴影区域，不需要复杂的特征算子学习过程，大大的降低了算法的时间复杂度，可直接应用到实时场合；本发明也不需要场景、目标等先验知识，具有较好的普适性。

主权项

基于正交分解和EM算法的阴影检测方法，其特征在于对原始图像进行正交分解，并利用EM算法对分解后的光照变化图像进行高斯混合建模，求解阴影区域；具体包括以下步骤：1)利用原始图像中阴影区域内外的线性模型建立线性方程组；2)对该线性方程组进行正交分解得到一幅彩色光照不变图像和一幅光照变化图像；3)对彩色光照不变图像采用K‑means算法进行分类；4)根据分类结果对光照变化图像采用EM算法进行高斯混合建模，提取阴影区域；5)最后采用形态学算子对提取的阴影区域进行优化；所述根据分类结果对光照变化图像采用EM算法进行高斯混合建模包括以下步骤：将分类结果的多个类中的每一类利用EM算法进行高斯混合建模：4.1)用K‑means算法对光照变化图像中属于当前类S即多个类中的一类的像素进行初始分类，分类类别为K＝2；4.2)根据步骤4.1)的分类结果得到EM算法的初始参数；4.3)计算光照变化图像中像素点α(x)属于第i类高斯分布的概率：$P_i\left(x\right)=\frac{{\mathrm{\π}}_S^i\exp (-\frac{\left|\right|\mathrm{\α}\left(x\right)-{\mathrm{\μ}}_S^i|{|}^2}{2{\mathrm{\δ}}_S^i})}{\underset{j=1}{\overset{K}{\Σ}}{\mathrm{\π}}_S^j\exp (-\frac{\left|\right|\mathrm{\α}\left(x\right)-{\mathrm{\μ}}_S^j|{|}^2}{2{\mathrm{\δ}}_S^j})}---\left(1\right)$其中K是分类类别，和是混合参数，分别代表第i、j类高斯分布的所占权重，和分别是第i类的高斯均值和协方差，和分别是第j类的高斯均值和协方差，i,j＝1...K；4.4)更新参数值：其中是第i类的样本数，N是当前类区域中的总像素数；返回步骤4.3)，将代入到公式(7)，直到满足收敛条件。