一种运动目标阴影轮廓的两步检测算法

第28卷　第3期2010年9月 广西师范大学学报:自然科学版Jour nal o f Guangx i N o rmal U niv ersit y:N at ur al Science Editio n V ol.28　N o.3Sept.2010收稿日期:2010-06-12基金项目:国家自然科学基金资助项目(60873079);教育部新世纪人才支持计划;科技部动漫软件开发技术团队支持(国科发高【2009】593号);重庆市科技攻关项目(7818)通讯联系人:吴渝(1970—),女,重庆人,重庆邮电大学教授,博士。

E -mail :w uyu @cqupt .edu .cn 一种运动目标阴影轮廓的两步检测算法王　玮,李红波,吴　渝(重庆邮电大学网络智能研究所,重庆400065)摘　要:由于运动阴影具有与运动前景相同的特性,在视频处理中分割前景时存在误把阴影检测为前景的问题,可能严重地影响跟踪、识别等后续处理,据此提出一种用于运动目标阴影检测的改进算法。

先为每个像素点建立混合高斯模型分割出运动目标,利用阴影区域像素8个相邻区域上像素点的亮度特点判断疑似阴影,然后运用色彩空间向量模型的颜色不变性对所有疑似阴影进行聚类,进一步完成阴影检测。

试验结果表明,该方法检测精度高、效果好、速度快,有广泛的应用前景。

关键词:背景建模;混合高斯;阴影检测中图分类号:T P 391.41 文献标识码:A 文章编号:1001-6600(2010)03-0165-05运动目标检测作为机器视觉领域中的底层,它的目标是尽可能精确地从视频图像序列中将变化的区域提取出来,其检测效果对如目标分类、跟踪和行为理解等图像的后期处理过程产生很大的影响。

然而,在检测运动目标时,运动目标投影的运动阴影也会被检测为运动前景的一部分,造成运动目标的合并、几何形变、甚至丢失。

如何获得更好的运动目标前景检测效果是国内外学者研究的热点问题。

现有的阴影检测算法主要分为两类:基于模型的方法[1]和基于特征的方法[2-3]。

前者是利用场景、运动目标、光照条件等先验信息建立阴影的统计模型,根据此模型来判别每个像素点是否属于阴影区域;后者一般直接采用如纹理、亮度、颜色以及饱和度等图像像素的特征进行判断。

CHEN Baisheng 等在HSV 颜色空间中根据阴影区域使得背景变暗、背景在被阴影覆盖前后的亮度比值成近似线性、阴影区域不会使背景像素点的色度有很大改变的特点进行阴影抑制[3]。

叶丽燕等利用HSV 移动阴影区域的梯度与相关背景的梯度相似来检测阴影[4];杨俊等在RGB 颜色空间利用阴影区域蓝色分量偏高的特性,对归一化B 分量和原始B 分量进行阈值比较来检测阴影区域[5]。

但这些方法在检测阴影的同时都会将运动目标蓝色分量偏高的像素点误检为阴影区域,导致运动目标出现大面积的破碎和空洞。

针对上述算法存在的问题,本文提出了基于8个相邻域像素特性与色彩空间向量模型不变性相融合的运动阴影检测算法。

首先利用混合高斯模型[6]分离出带有阴影的运动目标区域,对含有阴影的运动区域进行分类,检测出疑似阴影区域,然后利用阴影区域色彩向量在空间中与其对应的背景点颜色向量同方向缩放特性对疑似阴影进一步检测,克服了仅利用单个像素阴影检测在亮度和色度上容易出现较大的不确定性问题。

1　相关技术基础1.1　阴影的光学特性李忠武等指出,阴影区域可看作半透明区域,在阴影区内相对于背景图像的光学增益是小于1的定值[7]。

实际视觉经验也可得到同样结论,即在一定的亮度条件下同一物体在阴影区域内和不在阴影区域内的色调是近似一致的。

对于阴影区域内的物体,由于色彩没有发生变化(或变化很小可以忽略),只是RGB 3个分量同乘以某一系数K [7]。

同样,将彩色图像转成灰度图像后,阴影部分的灰度也是乘以系数K [7]。

1.2　混合高斯背景建模前景区域的提取方法主要有3种:背景减除法、时间差分法和光流法。

本文采用背景减除法提取前景运动区域,采用自适应混合高斯模型对每个像素点构造K个多维高斯分布来混合模拟该点的背景值,可以很好地解决缓慢的光照变化、杂乱背景中的周期性运动、缓慢移动的物体、长期的背景变化以及相机的噪声影响等问题。

2　改进的两步阴影轮廓检测模型黄薇等考虑根据当前帧与背景帧对应像素点的亮度相关性,提出了采用每个像素点周围8个相邻区域上的像素点亮度信息来检测阴影[8]。

这个方法虽然大大降低了误检率,但是当运动目标点灰度比较暗时很容易将运动目标的部分像素区域错检成阴影区域。

在此基础上,本文根据阴影区域像素点色彩不变性的空间向量模型,采用8邻域与色彩空间向量模型相结合的两步阴影检测算法。

2.1　疑似阴影信息的获取对背景进行混合高斯建模后,利用减背景法得到运动目标区域。

由于运动目标阴影是由运动目标的投影造成的,其运动特性与物体相同,且互连为一个整体,所以容易造成运动目标的误分类。

考虑运动目标像素点的8个相邻区域上的像素点的亮度信息,通过这些像素点的像素值与背景图像中该点像素值的比值变化来判断该点是属于阴影区域还是运动目标区域。

具体方法是:假设X是背景中的一个像素点,如果该像素点不在阴影区域中时,它的色彩用X(r,g,b)3分量来表示,那么由前面提到的阴影特性可知,当该点在阴影区中时,其色彩可表示为X(B r,B g,B b),B为变化系数且小于1。

将当前帧图像与当前的背景图像对应像素点的像素灰度值相除得到图H,H中像素点值为K(i,j)=I k(i,j)/B k(i,j),K 的可能值为:¹像素点位于阴影区域或运动目标区域,K<1;º像素点位于背景区域,K=1;»像素点位于运动目标区域,K>1。

在K<1情况下,需要将阴影区域和运动目标区域区分开来,虽然阴影区域和运动目标区域同样K值小于1,但是运动目标区域上的该部分不会像阴影部分一样大面积并且连续存在,那么,如果某点的K<1且在阴影区域内,则存在一个较小区域,在该区域内所有点只能属于阴影区域或者背景区域,即该区域内所有像素点的K值只能与该点相同或者为1;如果某点K<1且属于运动目标区域,则同样存在一个较小区域,该区域内像素点的K值的种数是不确定的。

考察任一像素点灰度值I,以该像素点为中心,考虑其当前帧与背景帧相邻的8个方向上与其相邻的8个像素点分别是:I1,I2,I3,I4,I5,I6,I7,I8;B1,B2,B3,B4,B5,B6,B7,B8。

这8个相邻的像素点构成了判断该中心像素点I属于哪个区域的最小单位。

这8个像素点的分布如图1。

若存在一个较小的阈值T,使得ûI i-B iû<T,i=1,2,…,8,则可认为I i=B i,统计这8个点中相同值的个数N,如果N≥6,则该点为疑似阴影区域中的点,置标记tag=1,反之是运动区域中的点,tag=0。

S(i,j)=疑似阴影K<1&&tag=1运动目标o therw ise。

(1)当运动目标的纹理特征比较少时,8邻域的阴影检测算法鲁棒性较差,使一部分运动被检测为阴影区域,其主要原因在于阴影判别参数T的选择,且阴影区域亮度比较弱时,较大的T值会导致灰度值比较低的运动区域被误判为阴影区域。

因此,本文在采用8邻域得出的疑似阴影基础上,引入了阴影区域像素点色彩不变性的空间向量模型,进一步对疑似阴影分析其结构相似度得出阴影区域,提高了阴影检测的误检率。

2.2　阴影信息的确定分析在RGB色彩空间中,向量B(R i,j,G i,j,B i,j)表示背景图像像素点颜色特征,向量I(R′i,j,G′i,j,B′i,j)表示当前帧图像像素点颜色特征,如图2所示。

若当前帧中的某点处于阴影点,根据阴影色度不变的性质,其向量在空间中与其对应的背景点颜色向量同方向缩放,它们的夹角A为0或者极小;而运动区域的颜色值与166 广西师范大学学报:自然科学版 第28卷 图1　K 的8邻域分布 图2　背景像素与前景像素相关性 F ig .1　8N eig hbo r ho od distr ibutio n of K F ig .2　Cor relatio n betw een backg r ound pixels and pro spectspixels对应的背景在色调上差别较大,在空间中颜色向量夹角也相应较大。

据以上分析,在K <1且tag =1的情况下,可以通过计算背景像素点与当前帧图像像素点在RGB 色彩空间上的特征向量的相似度[9-10]来区分阴影区域和运动目标区域。

3　实验与结果分析为验证改进算法的有效性,本文采集了几段室内外场景视频进行测试。

测试视频分辨率为320×240像素,真彩色格式,采集频率为20帧/s,实验硬件平台采用处理器英特尔P4(1.8GHz),内存为1GB 的台式机,软件测试环境为VC++ 6.0。

实验分别采集几段视频序列帧的图像,其中视频1、视频2是室外光线、树叶摇晃等复杂背景下拍摄的视频;视频3运动目标的颜色亮度明显低于背景亮度;视频4是室内灯光发生剧烈变化。

图3显示了本文提出的两步阴影检测算法与8邻域算法在多个测试视频上的阴影检测结果,所有的检测结果均未做手工处理。

仔细比较图3,在视频1、视频2的复杂背景下,通过混合高斯背景建模很好地克服了大量背景噪声的影响。

但在直接运用8邻域法进行阴影检测时,由于运动目标衣着平坦度较高时,运动目标背光面部分亮度低于地面亮度,使得很大一部分运动目标被误检为阴影;视频3中运动目标亮度明显低于背景亮度,因为8邻域仅仅考虑的是像素点周围8个像素点的亮度综合信息,所以当运动目标亮度低于背景亮度时,单纯地运用8邻域法会很大部分误检阴影的轮廓,甚至将运动目标全部检测为阴影;在视频4中,由于室内灯光剧烈变化,使得运动目标的亮度也发生了变化。

通过比较不难发现,本文提出的两步阴影检测算法,首先通过混合高斯背景建模,运用减背景法分割出运动前景,利用8邻域检测出疑似阴影轮廓,最后运用色彩不变性空间向量模型对疑似阴影轮廓进一步约束,使得部分误检的阴影像素点还原成目标像素点。

通过比较,虽然单纯的8邻域法进行阴影检测时其平均处理速度为23.6帧/s,本文方法略低,为22.1帧/s,但误检率大大低于单纯的8邻域法。

4　结　语本文提出了一种基于相邻像素点特征信息和色彩不变性空间向量模型相融合的阴影检测算法。

利用运动区域相邻像素点在空间结构上的亮度信息关系,对含有阴影的运动区域进行分类,检测出疑似阴影区域,然后利用阴影区域色彩向量在空间中与其对应的背景点颜色向量同方向缩放特性对疑似阴影进一步167第3期 王　玮等:一种运动目标阴影轮廓的两步检测算法 图3　试验结果F ig.3　T est r esults检测,不但提高了阴影检测的精度,而且也提高了低亮度运动目标的阴影消除效果。