一种融合图像区域属性特征的运动阴影消除算法

游佩佩, 何建农

(福州大学数学与计算机科学学院， 福建 福州 350116)

一种融合图像区域属性特征的运动阴影消除算法

游佩佩, 何建农

(福州大学数学与计算机科学学院， 福建 福州 350116)

针对传统C1C2C3彩色不变性特征模型中分母只考虑值最大的颜色信息导致阴影消除结果不准确及局部二值模式(local binary pattern, LBP)易受噪声扰动的缺陷， 在C1C2C3模型中采用两个颜色通道的均值作为分母以及在LBP模型中加入抗噪声因子的方法分别对以上两个模型进行改进， 提高了两个模型的阴影检测准确率. 为了有效融合各种基于属性阴影消除方法的优势， 引入LBP纹理复杂度测量函数， 根据LBP纹理复杂度分区域融合文中改进的两个模型， 实验结果表明， 改进的算法提高了运动阴影消除准确率.

LBP模型; 纹理复杂度; 运动阴影消除

0 引言

运动目标检测和跟踪技术需要从视频序列提取精确的前景目标， 而阴影伴随运动目标对光线的遮挡应运而生， 并与目标有着相似的运动属性与亮度变化， 容易导致目标误检、 目标连并、 目标形状改变及目标丢失等问题， 因此阴影消除是运动目标检测和跟踪过程中必须解决的问题.

目前国内外研究较多的是基于阴影属性的方法， 利用属性消除阴影的一般研究过程包括选择背景模型、 生成疑似阴影区域 ( 目标+阴影 )、 基于阴影属性消除阴影、 形态学处理和效果评估. 用于阴影检测的属性主要有颜色和纹理特征. 常见的基于颜色特征方法有HSV 颜色空间和 C1C2C3色彩空间等[1-3]， 基于颜色空间的方法对噪声敏感但易于实现、 运行快. 基于纹理特征方法主要有 LBP算子和梯度算法[4-5]， 但它们都对于阴影区域的边缘无能为力. 虽然国内外很多学者利用各种阴影属性的优势， 对其进行融合， 在一定程度上改善了单个属性对阴影检测准确率不高的情况[6-10]， 但仅对各种属性的检测结果进行逻辑与运算不够合理. 为此，本文提出一种改进算法, 即首先按疑似阴影区域的LBP纹理复杂度分区域， 再分区域融合本研究改进的C1C2C3模型与LBP模型阴影检测结果并进行运动目标的阴影消除.

1 基于颜色特征的阴影消除改进

1.1 C1C2C3模型

基于颜色特征的检测方法关键在于选择一个可以更好地区分亮度与饱和度的颜色空间. 阴影的光谱特征可以根据光的彩色不变性分析得出. 光的彩色不变性就是用来描述图像中每个像素点处阴影和亮度颜色信息成分的函数， 这些函数已经被证明了具有光照和方向不变性[6]. C1C2C3模型作为其中一个典型的描述函数具有彩色不变性， 定义如下:

(1)

其中:R(x,y)，G(x,y)，B(x,y)分别代表像素点(x,y)处红、 绿、 蓝颜色分量.

1.2 基于C1C2C3改进的模型

由于RGB空间转换到C1C2C3空间计算复杂及式(1)中分母只考虑了另外两个颜色通道中较大的一个， 这样检测效果不够准确. 因此针对以上两点对C1C2C3模型改进， 具体如下:

(2)

显然， 改进之后的模型计算更简单， 减少了算法的时间复杂度， 且分母对另两个颜色通道值取均值综合考虑了两个颜色通道的信息， 能更好地适应光照变化， 检测结果更准确.

1.3 实验对比结果

选取不同光照条件下室外汽车视频highway 3(http://cvrr.ucsd.edu/aton/shadow/)和室内行人视频hallway(http://vision.gel.ulaval.ca/～castShadows/)对改进的C1C2C3模型的有效性进行验证. 从实验结果对比(图1)可看出， 改进的C1C2C3模型能很好地适应光照变化.根据阴影覆盖前后， 机器视觉系统利用的彩色参数模型仍然维持目标识别的能力， 阴影消除效果比传统C1C2C3模型、 文献[9]中D1D2D3模型更准确， 公式计算更简单. 故改进的C1C2C3模型优于传统的C1C2C3和文献[9]的D1D2D3模型.

2 基于纹理特征的阴影消除改进

2.1 LBP纹理阴影消除

纹理特征是针对局部的纹理， 单个像素点的纹理是没有意义的. 因为在变化的背景中， 单个像素可能随着光照的变化而导致纹理值的变化， 而局部纹理是不容易改变的. 由于LBP算子具有灰度伸缩不变性、 光照不变性和计算简单的性质， 所以LBP算子被广泛应用于纹理特征描述. 它是通过比较掩膜的中心像素值和周围一定半径的邻域像素值， 得到一组二值化的0-1编码， 并结合权重矩阵计算其LBP值.

(3)

(4)

上式中， (xc,yc)为掩膜中心像素点的坐标， 其像素值为gc， 其周围邻域半径为r；p为以r为半径的圆周邻域上的像素个数；gi为中心点周围邻域p个像素点对应的像素值.

2.2 改进的LBP模型

LBP算法具有如下的优点[7]: ① 作为一个二值差分算子，LBP能够可靠地描述灰度变换； ②LBP能够减弱阴影的影响， 因为阴影常常只会导致亮度变化， 而纹理特征仍然不变； ③LBP计算简单， 速度快. 但是LBP算子容易受到噪声影响， 比较小的噪声就可能导致模式判定错误. 在实际环境中， 噪声是不可避免的， 因此本研究对LBP模型作了如下改进：

(5)

(6)

2.3 实验对比结果

实验随机选取强光照条件下的室外汽车视频highway3(http://cvrr.ucsd.edu/aton/shadow/)第23帧和弱光照下室内行人视频hallway(http://homepages.inf.ed.ac.uk/rbf/CAVIARDATA1/)第70帧对本文改进的LBP的有效性进行验证. 从实验结果对比(图2)中可以看出， 改进的LBP模型阴影消除结果除阴影边缘外， 目标完整清晰.而传统LBP模型阴影消除结果含糊不清并没有把阴影和目标分离. 文献[9]中的方法则只提取出了目标和阴影的轮廓， 目标空洞也不能很好地实现目标与阴影的分离. 实验证明LBP模型对阴纹理丰富的阴影边缘的阴影消除效果不明显.

3运动阴影消除改进算法

3.1改进算法基本思想和步骤

基于颜色的方法对动态场景的光照变化较为敏感， 而基于纹理的方法对光照变化有较好的免疫力， 却只对邻域内纹理丰富的情况检测效果好. 直接将两种检测结果相比， 并不总能得到很好的检测结果. 同时， 基于纹理的方法对纹理复杂区域的检测结果可信度较高而对于相对光滑区域则较低. 因此， 本研究提出的改进算法的基本思想是： 分区域对纹理和颜色特征方法进行融合， 对于纹理复杂的区域用基于纹理的方法进行阴影检测， 相对光滑的区域则采用颜色信息进行阴影检测， 并提出基于区域纹理和彩色特征融合的运动阴影消除改进算法.

将纹理复杂度函数P(S1)定义为:

(7)

(8)

式中:H(m)为LBP直方图；N为直方图bin的个数.

P(S1)越小说明区域包含纹理信息越少， 当P(S1)小于一个阈值时， 认为该区域为光滑区域. 但由于采用LBP模型检测阴影的可信度不高， 则在此区域用改进的C1C2C3模型进行检测， 并将检测结果作为最终检测结果.

改进运动阴影消除算法的步骤如下：

① 利用式(5)～(6)检测前景和背景相应区域的LBP纹理类似度， 如果小于分割阈值则前景区域属于运动对象， 否则执行②；

② 利用式(7)～(8)检测前景区域纹理复杂度， 如大于预定阈值则前景区域为阴影， 否则执行③；

③ 利用式(2)改进的C1C2C3模型对LBP纹理相对平滑的区域进行阴影检测；

④ 将检测到的所有阴影从疑似阴影区域中去除， 得到不含阴影的运动目标；

⑤ 对④中的运动目标进行形态学处理得到最终结果图.

3.2 实验结果与分析3.2.1 实验结果

为验证分区域融合阴影属性算法的有效性， 选取三个不同光照条件和不同场景下的视频序列(高速路上一段含有很明显的阴影区域， 即含有重阴影. 另一段含有浅阴影， 其中的阴影人眼不容易分辨出来， 还有一段室内行人测试视频)进行仿真实验， 这三段视频均选自常用于阴影检测消除的公共数据集.最后对分区域融合改进的C1C2C3模型和改进的LBP模型算法进行测试， 并与文献[9-10]中算法进行对比(测试平台Pentium(R)Dual-CoreCUPT4500@2.30GHz， 2G内存，Windows7操作系统，Matlab2010b).

3.2.2 实验结果对比图分析

图3为实验结果对比图. 从视频检测结果对比来看， 无论是室外强光还是弱光或者室内各种复杂场景下， 本研究的方法检测效果更好. 对于室外强光条件下高速公路上的车和室内的行人， 文献[9]方法仅对D1D2D3模型与LPTD模型各自的阴影检测结果进行简单的逻辑与操作， 文献[10]对颜色信息与边缘信息检测到的阴影也是进行逻辑与操作， 检测的结果出现了目标畸形且文献[9]中目标还有空洞， 这是对阴影检测不够准确的结果. 本研究根据背景差法得到的疑似阴影区域的LBP纹理复杂度， 运用改进的两种基于阴影属性的方法结合这种纹理复杂度对阴影分区域进行融合， 检测结果更准确， 从而阴影去除结果不会出现变形. 对于室外弱光条件下高速公路上的车， 文献[9-10]中的方法检测结果都出现目标连并现象， 而本研究方法仍然保持了较好的鲁棒性.

3.2.3 实验结果量化评估分析

为了更好地评价本研究方法的性能， 本研究对阴影检测结果进行客观量化评估. 阴影的检测率η和阴影辨识率ξ， 为目前很多文献所采用. 检测性能对应最小错误拒绝率， 即阴影点被分成背景或前景； 辨别性能要求错误接受率要小， 即前景或背景点被检测为阴影.η和ξ定义如下:

本研究所提出的算法对阴影检测的准确率要高于文献[9-10]中的方法， 详见表1. 文献[9-10]对两种基于属性方法的融合仅是把阴影消除结果进行简单的逻辑与运算， 并不是十分合理. 本研究则根据测试视频帧中疑似阴影区域按纹理复杂度分区域对文中改进的两种模型进行有效融合， 实验结果表明， 本研究提出的改进算法对视频图像的阴影消除有更好的效果， 提高了阴影消除的准确率.

表1 本方法与文献[9-10]中方法的性能检测对比结果

Tab.1 Comparison of detection performance between proposed method and reference[9-10] (%)

测试指标视频序列本文方法ηξF文献[9]方法ηξF文献[10]方法ηξFhighway188.483.786.086.282.384.287.980.183.8highway387.183.385.286.679.983.172.888.980.0room96.885.490.789.876.282.482.986.684.7

4 结语

针对传统C1C2C3模型及LBP模型在阴影消除准确率不高的问题， 在C1C2C3模型分母中充分利用另外两个颜色通道信息， 提高了检测的准确性. 由于LBP算法具有光照不变性却对噪声敏感， 在LBP模型上加入了抗噪声因子， 增强了LBP方法对噪声的抵抗力. 最后为了有效融合各基于阴影属性方法的优点， 引入了LBP纹理复杂度测量函数， 根据疑似阴影区域的LBP纹理复杂度分区域融合两种阴影属性去除阴影的结果. 通过对多个不同场景的实验表明， 与传统的C1C2C3、 LBP方法及文献[11]中各种方法相比， 本研究方法对阴影消除效果更优.

[1] AL-NAJDAWI N, HELMUT E B, JYOTI S H,etal. A survey of cast shadow detection algorithms[J]. Pattern Recognition Letters, 2012, 33(6): 752-764．

[2] 于飞, 田亚菲, 高伟明, 等. 基于阴影属性的运动目标阴影消除方法研究[J]. 信息网络安全, 2013 (6): 61-64.

[3] LEONE A, DISTANTE C. Shadow detection for moving objects based on texture analysis[J]. Pattern Recognition, 2007, 40(4): 1 222-1 233.

[4] 曹健, 陈红倩, 张凯, 等. 结合区域颜色和纹理的运动阴影检测方法[J]. 机器人, 2011, 33(5): 628-633.

[5] 郝灿, 朱信忠, 赵建民, 等. 基于改进型 LBP 特征的运动阴影去除算法[J]. 计算机系统应用, 2010, 19(5): 80-82.

[6] GEVERS T, SMEULDERS A W M. Color-based object recognition[J]. Pattern Recognition， 1999, 32(3): 453-464.

[7] LEONE A, DISTANTE C, BUCCOLIERI F. Shadow detection for moving objects based on texture analysis[J]．Pattern Recogniiton, 2007, 40(4)： 1 222-1 233.

[8] 余孟泽, 刘正熙, 骆键, 等. 融合纹理特征和阴影属性的阴影检测方法[J]. 计算机工程与设计, 2011, 32(10): 3 431-3 434.

[9] 郭春凤, 何建农. 彩色与纹理不变性的阴影消除新算法[J]. 微型机与应用, 2013, 32(5): 38-41 .

[10] GOLCHIN M, KHALID F, ABDULLAH L N,etal. Shadow detection using color and edge information[J]. Journal of Computer Science, 2013, 9(11): 52-62.

[11] BRISSON M, ZACCARIN A. Learning and removing cast shadows through a multi-distribution approach[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(7): 1 133-1 146.

(责任编辑： 林晓)

Moving cast shadow removing algorithm based on blocked texture and color feature fusion

YOU Peipei, HE Jiannong

(College of Mathematics and Computer Science， Fuzhou University， Fuzhou， Fujian 350116， China)

For the traditional C1C2C3 invariant color features, the largest color value in the denominator was selected to remove the cast shadow. Thus, the result is not accurate. And local binary pattern (LBP) is apt to be confused by noises. In order to solve the problem effectively, we improved the C1C2C3 model by using the average of the two color value in the denominator and added a divisor for resisting noises in LBP. Furthermore, we proposed the LBP texture measure function to calculate the coefficient of texture complexity in the neighbor field of center pixel. Then whether the improved LBP model is replaced by the improved C1C2C3 model or not is determined by the coefficient of texture complexity. Experimental results show that the improved shadow removing algorithm performs better.

LBP mode; texture complexity; moving cast shadow removing

10.7631/issn.1000-2243.2016.05.0627

1000-2243(2016)05-0627-06

2014-09-24

何建农(1960-)， 副教授， 主要从事智能图像处理、 信息安全, 网络GIS研究， 42566374@qq.com

国家自然科学基金资助项目(51277032)

TP391

A