本發(fā)明屬于視頻數(shù)字圖像分析與陰影檢測技術(shù)領(lǐng)域，具體涉及一種視頻運動陰影消除方法。

背景技術(shù)：

運動目標(biāo)檢測在視頻分析中處于基礎(chǔ)地位，目標(biāo)檢測的準(zhǔn)確度與后續(xù)的運動目標(biāo)跟蹤、目標(biāo)的識別以及行為分析等息息相關(guān)。隨著經(jīng)濟社會的不斷發(fā)展和計算機性能的不斷升級，智能視頻的處理將會越來越普及，對提取視頻中運動目標(biāo)的要求也越來越高，陰影的消除至關(guān)重要。

有效的去除運動陰影能夠使視頻分析中運動目標(biāo)檢測的性能提高，對視頻監(jiān)控系統(tǒng)中運動目標(biāo)的識別和行為的分析等起到了至關(guān)重要的作用，令傳統(tǒng)視頻監(jiān)控系統(tǒng)更加的智能化。因此，研究運動陰影檢測方法的理論和實踐具有重大的意義和廣泛的應(yīng)用前景。陰影消除不僅僅可以提升運動目標(biāo)檢測的準(zhǔn)確性，對視頻后處理的運動目標(biāo)的定位、追蹤以及識別等都有很大的關(guān)聯(lián)。

近幾年，運動陰影去除已經(jīng)逐漸成為智能視頻監(jiān)控領(lǐng)域研究的熱點問題，并且在國內(nèi)外引起許多專家和學(xué)者的廣泛研究。目前對運動陰影去除研究方法有很多，大致上可以總結(jié)為兩大類：基于確定性方法和基于統(tǒng)計學(xué)方法。前者是通過利用環(huán)境對陰影和非陰影進行判斷。在判斷的過程中是否需要背景、運動目標(biāo)和光照等先驗知識建立模型，基于確定性方法又可以具體劃分為確定性非模型方法和確定性模型方法兩類?；诮y(tǒng)計學(xué)方法是采用背景和陰影像素的概率值區(qū)分陰影和非陰影。類似的，這種方法可以具體的分為參數(shù)方法和非參數(shù)方法兩類。在國外，2003年，parti等人第一次將運動陰影檢測方法詳細的總結(jié)，分成四類，接著從每類中提到性能較好的方法模型，并進行了分析對比，提出了一套評價指標(biāo)運用于陰影檢測中，而經(jīng)典顏色空間模型hsv陰影消除法也在其中被提及。最近，al-najdawi等人和sanin等人分別從不同角度對近些年提到的運動陰影檢測的模型進行了綜合的分析對比，將parti等人的工作進行了完善。在國內(nèi)，殷保才等人采用了將色度和紋理不變性相結(jié)合的陰影檢測方法；邱一川等人通過顏色特征和邊緣特征相結(jié)合對陰影去除；艾維麗等人提出了區(qū)域配對的陰影檢測算法。

hsv顏色空間使用的是顏色的色度、飽和度及亮度等數(shù)據(jù)，人的視覺感知方式與其聯(lián)系緊密，因此更能準(zhǔn)確的將運動目標(biāo)與陰影的灰度表現(xiàn)出來。但傳統(tǒng)的hsv空間陰影消除法只是通過視頻幀與背景幀之間的亮度比值的閾值陰影區(qū)域，在不同的背景和光照的條件下，亮度比值的閾值發(fā)生變化難以確定，導(dǎo)致運動目標(biāo)誤檢為陰影的現(xiàn)象嚴重。該方法適用性和準(zhǔn)確性差。

現(xiàn)有技術(shù)中，專利文獻：一種基于混合高斯及陰影檢測模型的目標(biāo)檢測與提取方法(201510592219.x)公開了一種陰影檢測模型，采用改進的自適應(yīng)混合高斯背景建模的方式進行目標(biāo)檢測，同時，在檢測過程中加入陰影模型對目標(biāo)的陰影進行消除，以便增加目標(biāo)檢測的準(zhǔn)確性和可靠性。然而該專利技術(shù)方案存在的問題是：雖然提高了運行速率，但在hsv空間陰影檢測中運動目標(biāo)誤檢為陰影的這一問題沒有得到很好的解決，運動目標(biāo)中的一些區(qū)域被當(dāng)作陰影被消除。

專利文獻：視頻圖像中運動目標(biāo)陰影消除方法(201310113545.9)公開一種視頻圖像中運動目標(biāo)陰影消除方法，包括：建立視頻圖像實時更新的背景模型；根據(jù)背景模型，使用幀間差分法獲得含有陰影的運動目標(biāo)圖像；對含有陰影的運動目標(biāo)圖像進行hsv色彩空間轉(zhuǎn)換，獲得含有陰影的運動目標(biāo)圖像的色度分量、飽和度分量和亮度分量；根據(jù)預(yù)設(shè)網(wǎng)格，計算每個預(yù)設(shè)網(wǎng)格的亮度分量的均值和方差；將均值和方差作為二維特征向量，使用k-means算法進行聚類；將色度分量、所述飽和度分量和所述亮度分量作為三維特征向量，使用k-means算法進行聚類，獲得陰影區(qū)域；在陰影區(qū)域?qū)⒍祱D像的像素值設(shè)定為零，消除二值圖像中的陰影。然而該專利技術(shù)方案存在的問題是：雖然可以將陰影和運動目標(biāo)較為準(zhǔn)確的分離，但采用多維的聚類技術(shù)，將會使運行速率降低，實時性很難滿足。

有鑒于此，有必要提供一種能同時滿足實時性要求和前景誤檢比例低的視頻運動陰影消除的方法，以解決上述問題。

技術(shù)實現(xiàn)要素：

為了解決上述現(xiàn)有技術(shù)存在的問題，本發(fā)明的目的在于提供一種視頻運動陰影消除的方法，針對傳統(tǒng)的hsv顏色空間陰影消除中不同環(huán)境下不斷變換參數(shù)，以及前景誤檢為陰影的這一缺點，對其做出了改進，可以在多種環(huán)境下，實現(xiàn)陰影消除。

為了達到上述目的，本發(fā)明所采用的技術(shù)方案是：一種視頻運動陰影消除的方法，其特征在于，所述方法包括以下步驟：

(1)對讀取到的視頻幀采用自適應(yīng)高斯混合的背景建模法建立背景，提取前景；

(2)通過顏色空間模型hsv中視頻幀和背景幀亮度比值進行陰影檢測，確定閾值將不同視頻的陰影基本檢測出，然后結(jié)合高斯混合模型提取的前景消除陰影，得到運動目標(biāo)；

(3)將高斯混合模型得到的前景分別通過改進的lbp算子和大津閾值(otsu)處理，兩者相或，得到運動目標(biāo)；

(4)將步驟(3)中得到的運動目標(biāo)與步驟(2)得到的去除陰影的運動目標(biāo)相或，即可得到陰影消除的運動目標(biāo)，流程結(jié)束。

進一步地，所述步驟(2)的操作包括：

(2.1)將前景轉(zhuǎn)換為hsv顏色空間；

(2.2)在不同環(huán)境中，確定視頻幀和背景幀亮度比值的同一參數(shù)，即可將陰影全部消除；

式中，為當(dāng)前幀的亮度值，為背景幀的亮度值，為當(dāng)前幀的色度值，為背景幀的色度值，為當(dāng)前幀的飽和度值，為背景幀的飽和度值，τs、τh分別為飽和度與色度的閾值，其對陰影的檢測結(jié)果影響不大，α與陰影的亮度值強弱有關(guān)，β與光線的強弱有關(guān)。

進一步地，所述步驟(3)中改進的lbp算子具體為：lbp是選取一個較小的值，與中心像素的灰度值與其對應(yīng)的鄰域像素的灰度值的差值作比較，大于閾值記為1，否則標(biāo)記為0；然后按照順時針方向的順序得到二進制串，將其做為該中心像素的lbp算子；lbp算子是在中心像素的8鄰域中，其公式如下所示：

其中，q為該像素鄰域中的像素個數(shù)，r為環(huán)形鄰域的半徑，lbpq,r(xc,yc)表示中心像素位置為(xc,yc)的lbp算子，gc是該中心像素的灰度值，gq則是環(huán)形鄰域中像素的灰度值，t是為了提高lbp算子的魯棒性設(shè)定的一個相對較小的閾值。

進一步地，所述t的取值是2≤t≤150。

更進一步地，所述t的取值是t＝8。

進一步地，所述步驟(3)中大津閾值的原理是：灰度為i的像素數(shù)目為ni，總像素數(shù)為n，且pi表示灰度為i的像素的概率，于是有而圖像總均值為c0和c1分別表示兩類像素群，c0＝[0,…,k]，c1＝[k+1,…,l-1]，c0和c1的均值分別記為μ0(k)和μ1(k)，令則

于是可得到類間方差

故最佳閾值k^*的選取原則即為：

大津閾值是按圖像的灰度特性，將圖像分成陰影和目標(biāo)兩部分。陰影和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當(dāng)部分目標(biāo)錯分為陰影或部分陰影錯分為目標(biāo)都會導(dǎo)致兩部分差別變小，因此，使類間方差最大的分割意味著錯分概率最小。

進一步地，所述步驟(1)的操作包括：前景提?。?/p>

用混合高斯背景建模提取運動的目標(biāo)，它是采用k個高斯分布對圖像中的每個像素建模，對t時刻新獲取像素值xt，判斷其與已有的k個高斯分布是否匹配，若滿足條件|xt-μi,t-1|≤2.5σi，則可以斷定該像素值與高斯分布匹配；如果xt都不匹配，則需要引入新高斯分布或者通過新高斯分布替代優(yōu)先級λi,t最小的分布；這時，新的高斯分布的均值是xt；

若有匹配的分布，令mk,t＝1，否則mk,t＝0；而不匹配的分布，保持均值與方差的不變，ωi,t作為第i個高斯分布的權(quán)重，且有ωi,t(x,y)更新如式(1)所示：

ωi,t(x,y)＝(1-α)·ωi,t-1(x,y)+α(mi,t)(1)

其中，α是自定義的學(xué)習(xí)率。且0≤α≤1，背景更新的速度依據(jù)α的大小；

最后，對每個像素的k個高斯分布按照λi,t進行排序，選擇前b個分布表示背景模型用來確定作為背景模型的分布；然后，再次對前b個高斯分布和xt進行匹配，如果xt和前b個高斯分布之一匹配，則可斷定這個像素是背景點；否則該像素是前景點。

進一步地，所述視頻運動陰影消除的方法，采用陰影檢測率η和判別率ξ作為評價算法性能的指標(biāo)，將兩者求和取均值來進一步分析其性能，具體定義如下：

其中，tps表示正確檢測到陰影像素的個數(shù)，fns表示將陰影像素誤檢為前景像素的個數(shù)，tpf表示正確檢測到的前景像素個數(shù)，fnf表示將前景像素誤檢為陰影像素的個數(shù)。通過人工標(biāo)注視頻的若干不同幀的目標(biāo)和陰影，并在本算法的檢測下可以求出tps、fns、tpf和fnf。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明提供的視頻運動陰影消除的方法，是結(jié)合hsv和紋理特征消除視頻陰影的方法。先通過高斯混合背景建模的方法建立背景和在灰度化空間提取前景，將其前景與hsv顏色空間模型中的陰影檢測相結(jié)合，提取出運動目標(biāo)。然后將高斯混合模型提取的前景分別通過lbp算子和大津閾值(otsu)提取部分運動目標(biāo)，兩者相或可以得出運動目標(biāo)，最后再與前面hsv提取的運動目標(biāo)再次相或，實驗結(jié)果表明可達到消除陰影的效果。該算法不需要在背景和光照的變化下變換hsv空間模型陰影消除法的亮度比的閾值，有效的減少了hsv將前景誤檢測為陰影的比例，得到較好的檢測結(jié)果；而且視頻讀取速率可達到12-15幀每秒，滿足實時性的要求。

附圖說明

圖1是本發(fā)明的軟件流程圖。

圖2是不同視頻的視頻幀。

圖3是高斯混合對不同視頻提取對應(yīng)的前景圖。

圖4是本發(fā)明對不同視頻對應(yīng)的陰影消除效果圖。

具體實施方式

以下通過實施例形式對本發(fā)明的上述內(nèi)容再作進一步的詳細說明，但不應(yīng)將此理解為本發(fā)明上述主題的范圍僅限于以下的實施例，凡基于本發(fā)明上述內(nèi)容所實現(xiàn)的技術(shù)均屬于本發(fā)明的范圍。

如圖1所示，本發(fā)明實施例提供的一種視頻運動陰影消除的方法，包括如下步驟：

101：對讀取到的視頻幀(如圖2)采用自適應(yīng)高斯混合的背景建模法建立背景，提取前景，通過形態(tài)學(xué)運算，將噪點去除，如圖3所示。

前景提?。?/p>

用混合高斯背景建模提取運動的目標(biāo)，它是采用k個高斯分布對圖像中的每個像素建模，對t時刻新獲取像素值xt，判斷其與已有的k個高斯分布是否匹配，若滿足條件|xt-μi,t-1|≤2.5σi，則可以斷定該像素值與高斯分布匹配。如果xt都不匹配，則需要引入新高斯分布或者通過新高斯分布替代優(yōu)先級λi,t最小的分布。這時，新的高斯分布的均值是xt。

若有匹配的分布，令mk,t＝1，否則mk,t＝0。而不匹配的分布，保持均值與方差的不變，ωi,t作為第i個高斯分布的權(quán)重，且有ωi,t(x,y)更新如式(1)所示：

ωi,t(x,y)＝(1-α)·ωi,t-1(x,y)+α(mi,t)(1)

其中，α是自定義的學(xué)習(xí)率。且0≤α≤1，背景更新的速度依據(jù)α的大小。

最后，對每個像素的k個高斯分布按照λi,t進行排序，選擇前b個分布表示背景模型用來確定作為背景模型的分布。然后，再次對將前文提到的前b個高斯分布和xt進行匹配，如果xt和前b個高斯分布之一匹配，則可斷定這個像素是背景點；否則該像素是前景點。

102：利用傳統(tǒng)hsv顏色空間中視頻幀和背景幀亮度比值進行陰影檢測，確定閾值將不同視頻的陰影基本檢測出，然后結(jié)合高斯混合模型提取的前景消除陰影。

顏色空間hsv陰影檢測模型：

人們通過視覺系統(tǒng)感知可以清楚地知道陰影主要擁有兩個特性。陰影投射到的背景區(qū)域的亮度值要比陰影本身的亮度值要低以及投射陰影的物體連接著陰影，而且兩者運動狀態(tài)相同。故hsv顏色空間陰影檢測通過采用hsv空間的色度、飽和度與亮度信息。陰影檢測的判別函數(shù)如式(2)所示：

其中，為視頻幀的亮度值，為背景幀的亮度值，為視頻幀的色度值，為背景幀的色度值，為視頻幀的飽和度值，為背景幀的飽和度值。τs、τh分別表示飽和度和色度差值的閾值，α與陰影的亮度值強弱有關(guān)，β與光線的強弱有關(guān)。陰影檢測主要依據(jù)的是視頻幀與背景幀之間亮度比，而飽和度和色度差值的影響很小。

103：將高斯混合得到的前景分別通過改進的lbp算子處和大津閾值(otsu)處理，兩者相或，得到運動目標(biāo)。

lbp算子的改進：

lbp的原理是選取一個較小的值，與中心像素的灰度值與其對應(yīng)的鄰域像素的灰度值的差值作比較，大于閾值記為1，否則標(biāo)記為0。然后根據(jù)順時針方向的順序可得二進制串，該二進制串作為這個中心像素的lbp算子，該算子是在中心像素的8鄰域中。其公式如式(3)所示：

式中，q為這個像素鄰域中的像素數(shù)目，r為環(huán)形鄰域的半徑，位置在(xc,yc)像素的lbp算子通過lbpq,r(xc,yc)表示，gc表示中心像素的灰度值，環(huán)形鄰域中像素的灰度值采用gq。由于要增加lbp算子的魯棒性，t需要選取一個相對較小的閾值。

一般情況下，t的取值是2≤t≤5，而本發(fā)明中為了將陰影全部消除，將閾值提高到7≤t≤10，這樣依然提取到部分運動目標(biāo)，本實施例中采用t＝8。

將lbp算子作為該像素點的新值，得到的圖像通過二值化的處理，選取二值化的閾值為100得到提取的部分運動目標(biāo)的圖像

大津閾值(otsu)：

它是按圖像的灰度特性，將圖像分成陰影和目標(biāo)兩部分。陰影和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當(dāng)部分目標(biāo)錯分為陰影或部分陰影錯分為目標(biāo)都會導(dǎo)致兩部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小。

灰度值為i的像素個數(shù)為ni，全部像素數(shù)為n＝n0+n1+…nl-1，像素的灰度值是i的概率表示為pi＝ni/n，p0+p1+p2+…+pl-2+pl-1＝1表示為所有概率求和，圖像像素灰度的總均值為μt＝p1+2p2+…+(l-2)pl-2+(l-1)pl-1。若令c0和c1分別為兩類像素集，可知c0＝[0,…,k]，c1＝[k+1,…,l-1]。將c0和c1的均值分別表示成μ0(k)和μ1(k)。此時令ω0(k)＝p0+p1+…+pk-1+pk-2,ω1＝1-ω0(k)，μ(k)＝p1+2p2+…+(k-1)pk-1+kpk，類間方差的計算如公式(4)所示:

最佳閾值k^*的選取方法如公式(5)所示：

大津閾值是按圖像的灰度特性，將圖像分成陰影和目標(biāo)兩部分。陰影和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當(dāng)部分目標(biāo)錯分為陰影或部分陰影錯分為目標(biāo)都會導(dǎo)致兩部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小，即可將運動目標(biāo)與陰影分割，實現(xiàn)二值化，得到圖像

將二者相或，即可得到完整的運動目標(biāo)。

104：將步驟103中得到的運動目標(biāo)與步驟102得到的去除陰影的運動目標(biāo)相或，即可得到陰影消除的最終運動目標(biāo)，如圖4所示，流程結(jié)束。

結(jié)合hsv與紋理特征去除陰影：

在傳統(tǒng)算法上：對于視頻幀，通過自適應(yīng)高斯混合的背景建模法建立背景，提取前景，在顏色空間模型hsv中檢測運動目標(biāo)的陰影，基于顏色的檢測方法幾乎檢測出全部的陰影像素。然而，亮度比值的α，β一般視具體情況而定，這種變化導(dǎo)致運動目標(biāo)中的比較暗或者與背景區(qū)域具有相似的色度信息的區(qū)域被檢測為運動陰影，可見，在陰影檢測過程中僅僅使用顏色信息并不能達到令人滿意的檢測結(jié)果。

基于顏色空間模型hsv的缺點，本發(fā)明提出了將前景分別通過改進的lbp算子處和大津閾值(otsu)處理，由于lbp算子和大津閾值處理都只能得到部分運動目標(biāo)，且陰影基本消除，故兩者相或，得到運動目標(biāo)。用hsv顏色空間模型檢測陰影時，可使亮度比值的α，β選取固定的值，將陰影盡可能檢測出來。雖然有運動目標(biāo)中某些區(qū)域有損失，再與lbp算子和大津閾值去陰影后相或的運動目標(biāo)再次相或即可得到去陰影的運動目標(biāo)。

本發(fā)明算法流程：

本發(fā)明實施例采用vs2013開發(fā)平臺，使用opencv2.4.9的庫進行編程實現(xiàn)，pc機配置為intelpentiumdual-core2.70ghzcpu，4gb內(nèi)存。

本發(fā)明的陰影檢測算法在intelligentroom_raw.avi(320×240)，campus_raw.avi(352×288)，laboratory_raw.avi(320×240)三段視頻進行測試，顏色空間模型hsv中的閾值選用色調(diào)和飽和度的分量閾值選取比較大即可，亮度比值的閾值選取0.7到1效果最為平衡；閾值lbp算子的閾值取8效果最佳。

從圖2到圖4中可以看出，對人的陰影消除效果比較好，陰影基本被消除，運動目標(biāo)可以準(zhǔn)確的檢測出來，而車的大部分陰影已經(jīng)被消除，其運動目標(biāo)也可以較為準(zhǔn)確的檢測出來。

為保證實驗結(jié)果的可靠性，提出的陰影檢測率η和判別率ξ作為評價算法性能的指標(biāo)，將兩者求和取均值來進一步分析其性能，具體定義如下:

其中，tps表示正確檢測到陰影像素的個數(shù)，fns表示將陰影像素誤檢為前景像素的個數(shù)，tpf表示正確檢測到的前景像素個數(shù)，fnf表示將前景像素誤檢為陰影像素的個數(shù)。通過人工標(biāo)注視頻的若干不同幀的目標(biāo)和陰影，并在本算法的檢測下可以求出tps、fns、tpf和fnf。

將本發(fā)明的陰影檢測算法與各種陰影檢測算法作對比，如表1所示，與snp算法、sp算法、dnm1算法、dnm2算法比較中，本發(fā)明算法有效的提高了陰影檢測率及平均值，在campus視頻中的陰影判別率也有提升。而在intelligentroom和laboratory的視頻中，本發(fā)明的陰影判別率比某些算法陰影判別率下降不大。

表1陰影消除算法比較(％)

以上所述僅是本發(fā)明的優(yōu)選實施方式，具體實施方式中牽涉到的數(shù)值參數(shù)僅僅用來對上述的具體實施方式進行詳細說明，不能作為限制本發(fā)明保護范圍的依據(jù)。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。