视频图像运动环境下阴影的消除方法

2015-05-30张大禹

新媒体研究 2015年5期

张大禹

摘要文章首先针对视频监控工作领域中运动目标的阴影检测以及消除的重要性，以及常用的方法类别展开分析，而后就几个典型的计算消除方法展开深入讨论，对于切实深入了解运动环境下阴影的消除的有着一定的积极意义。

关键词运动；阴影；消除；算法

中图分类号 G2 文献标识码 A 文章编号 2096-0360（2015）01-0035-02

就目前我国的媒体技术发展状况而言，视频已经成为了重要的媒体形式。尤其是在监控应用环境之下，视频的价值更是突出。而为了实现更为有效的视频监控，基于当前的计算机应用以及技术特征来实现更为自动化的工作方式和效率提升，对于视频序列中的运动目标实现有效识别和检测，就成为计算机视觉识别认证中的一个重要研究课题。

1 运动目标阴影的识别与消除应用

在视频监控工作体系中，如何对运动目标展开有效的识别，直接关系到整个监控工作的质量，并且进一步影响着整体工作效率的提升。在视频监控工作体系技术层面的建立上，如何对阴影进行识别和消除，是整个视频监控运动目标识别工作的基础。

在展开对于某种物体的监控的过程中，由于目标对于光线的遮挡，必然会产生阴影区域。而如果监控目标处于移动状态，阴影就会与移动目标合并，从而造成目标形状的畸变或者损失，从而进一步导致无法对于目标展开有效的监控。

基于此种状况，在实际工作过程中发展出多种技术和算法来实现对于阴影的识别和剔除。总体而言可以分为两类，即基于模型的阴影检测方法以及基于属性的阴影检测方法。其中前者主要是建立起对应的模型，用以实现对于阴影的描述和剔除，这种识别方式需要相对较多的经验数据，才能确保对应的模型本身的合理性。但是这种阴影检测方法本身在应用环境中表现出相对僵化的特征，因此通常用来处理相对固定的场景，比如背景固定，运动目标形状固定以及光线状态相对固定等。在相对固定的环境中，基于模型的阴影检测方法能够展现出良好特征，但是当监控目标为运动物体，或者物体本身形状不确定，则模型检测法无法有效发挥作用。

而基于属性的阴影检测方法则能够相对有效地展开对于运动目标阴影的处理。从原理上看，基于属性的检测方法是利用阴影区域的光谱和几何特性来实现对于阴影的检测，常见的用以实现阴影检测的属性包括颜色、亮度、纹理和梯度等几个方面。其中基于颜色的检测技术主要是假设背景色度不受投射阴影的影响，从而对背景和阴影部分进行识别和区分；而基于亮度的检测方法则是考虑到阴影较周围环境应当更暗一些，因此常规会采用HSV颜色空间和YUV色彩空间等方法展开计算和识别。同时基于通常认为的投影不改变纹理和梯度性质，来实现纹理和梯度方面的特征分析，同样能够展开对于阴影的有效识别和分析，但是在实际应用环境中，基于这两种思路的Gabor函数通常会因为计算量大，而在实际监测过程中的表现水平有待提升。

2 基于属性的阴影识别和消除

在实际工作中，面对运动目标的时候，目前主要采用基于属性的阴影识别工作方式展开工作。相对于基于模型的方式而言，此种工作方式无论从准确程度还是运算速度方面都有相对可行的一面。进一步可以从基于颜色、基于纹理以及基于梯度三个方面分别展开分析。

2.1 基于颜色的分析方法

基于颜色的分析方法，在展开阴影的识别和去除方面一直作为重点呈现，此种方法有相对较长的发展历史，并且技术也比较成熟。常见的集中基于颜色的识别方式包括RGB标准化、RGI变换、HSV变换以及YCrCb变换四种。

RGB标准化模型参见式（1）。

（1）

此种计算方式在利用全面的压缩手段，将前景整体压缩，并且通过这种压缩使得阴影能够在检测过程中忽略掉。此种工作方式广泛应用于早期，并且以其良好的处理速度著称，但是此种压缩方式虽然能够将阴影压缩掉，同样也有可能会造成目标本身相对较弱的部分有所损伤。

而RGI变换的运算模型则可以通过式（2）

表达：

（2）

此种变换方式可以更为有效地实现对于光照变化的良好的适应，但是同样存在缺点，即会引入额外的异方差噪声。

HSV变换相对复杂，这是一种更多考虑人的视觉能力的计算方法，涉及到色度H、饱和度S以及亮度V等多种描述。如果用I表示前景像素而B表示背景像素，表示阈值，则常见的计算方法如式（3）。