一种基于YUV颜色空间自适应阴影消除算法

王珦磊，唐加山

(1. 南京邮电大学 通信与信息工程学院，江苏 南京 210003；2. 南京邮电大学 理学院，江苏 南京 210003)



一种基于YUV颜色空间自适应阴影消除算法

王珦磊1，唐加山2

(1. 南京邮电大学 通信与信息工程学院，江苏 南京 210003；2. 南京邮电大学 理学院，江苏 南京 210003)

针对视频内容分析中的物体检测问题，提出一种新的基于YUV颜色空间的阴影消除方法，相比其他基于YUV颜色空间阴影检测方法，该方法为提高检测精度，使用自适应的动态门限。首先，在RGB颜色空间中使用背景差，得到仅包含目标物体及其阴影的图像。然后在YUV颜色空间中对此图像的色度进行统计分析，搜索出色度变化缓慢的区间，再针对每个色度区间确定对应的亮度区间，获得估计门限。最后，利用以上门限检测并消除阴影。实验结果表明，该方法对不同光照情况下的物体阴影都有很好的消除效果。

阴影检测；YUV；自适应

0 引言

在计算机视觉中，检测运动物体是非常重要的一个部分。运动物体的检测一般步骤如下：先从视频帧中鉴定出前景像素，再由前景像素提取出运动物体[1]。然而，运动物体的投影会使检测算法难以实现，导致前景物体形状和颜色的失真，对运动物体的提取造成干扰。因此，动态物体检测中很重要的一个环节是阴影消除。

阴影检测算法一直被广泛研究，如：基于纹理分析的检测方法[2-3]，使用亮度来判断可能的阴影区域，再结合纹理特征将阴影分割出来；基于物理特征的检测方法[4]，先对阴影像素进行建模，再用这个模型从预选区域中检测阴影；基于几何的检测方法[5]，根据光源、物体形状、地面来预测阴影的大小、形状和方向；基于色彩空间的检测方法[6]，选取一个新的色彩空间，与RGB色彩空间相比，它的亮度和色度间区别更明显。

本文使用基于YUV色彩空间的阴影检测方法，同时阴影检测门限的阈值是根据前景像素的统计结果估计的，因此算法对不同光照情况下的物体阴影检测都有很好的鲁棒性。

1 候选区域

候选区域是指图像中包含目标物体及其阴影的部分，一般通过背景差分来获得。步骤如下：先将前景图像和背景图像的RGB分量进行差分，再将差分后的彩色图像转换成灰度图像，针对此灰度图像，设置平均灰度值为阈值，按照该阈值进行划分，大于该阈值的为候选区域，小于阈值的视为背景。再多次进行膨胀、腐蚀操作，消除候选区域中的干扰噪点，具体操作详见文献[7]。

2 基于YUV色彩空间的阴影模型

YUV色彩空间和RGB色彩空间关系如下[8]：

在YUV色彩空间中，像素点的亮度分量y和色度分量u、v相互独立。投射阴影区域在YUV色彩空间有如下特征[9]：

(1)投射阴影区域中像素的亮度低于背景像素和物体区域像素的亮度。

(2)投射阴影区域中像素的色度与背景像素色度相比几乎相等。

根据以上结论，确定阴影像素的算法如下：

针对每个候选区域的像素，将符合如下式(1)条件的像素点判断为阴影像素点，其中yF和yB分别指前景和背景的y分量，vF和vB分别指前景和背景的v分量，yMin、yMax、vMin、vMax分别指对应的上下限门限值。

(1)

下文将对阈值估计给出详细步骤。

3 阈值分析

3.1 阴影区域特征分析

为研究阈值与候选区域的统计关系，选取如图1所示的前景图像图1(a)和背景图像图1(b)。先进行背景差分，获得候选区域的前景图像图1(c)和背景图像图1(d)，对阴影进行手动划分得到阴影区域的前景图像图1(e)和背景图像图1(f)。

图1 输入图像及其预处理

将前景图像(e)中每个像素点的亮度yF和色度vF，与背景图像(f)中的亮度yB和色度vB进行差分，得到差值Δy、Δv。亮度差和色度差分布如图2(a)，其中横轴是Δy，纵轴是Δv。忽略干扰噪点，对密集区域进行分析，密集区域图2(b)显示像素点的亮度差Δv分布不均匀，集中在若干个中值上，并且不同的中值对应色度差Δy分布范围也不相同。因此可以将阴影区域的Δy-Δv分布看作是若干个分布块的集合，如图2(c)。

图2 阴影区域Δy-Δv分布

3.2 根据候选区域确定阈值

本节将通过候选区域的统计特性估计出上文中每个分布块的阈值。

3.2.1 确定色度差Δv的阈值

将候选区域前景图像图1(c)和背景图像图1(d)的色度分量v相差，差值Δv进行排序，得到图3(a)，图3(b)标出了其中的平缓部分。对比阴影区域分布图2(c)和图3(b)，被标注的区域在纵轴上的范围近似一致，图3(b)上的平缓部分表明在该范围上有大量像素点Δv分布趋于一致，符合阴影区域的特征。

图3 候选区域色度差分布

3.2.2 确定亮度差Δy的阈值

针对图3(b)中每个平缓区域，从候选区域中搜索对应像素点，获取每个像素点亮度差Δy，再进行排序，图4(a)是候选区域中符合条件Δv∈[4.731 7, 5.288 6]的像素点的Δy排序后的分布图，标出平缓区域如图4(b)，对比阴影区域分布图2(c)，平缓区域的Δy区间与阴影像素的区间相吻合。

图4 候选区域亮度差分布

3.3 验证特征普遍性

为验证以上特征的普遍性，使用另一组实验图像进行阈值分析，输入图像如图5,图5(a)是前景图像，图5(b)是背景图像，图5(c)表示候选区域，图5(d)是阴影区域的Δy-Δv分布图。分析候选区域，结果如下：图5(e)是候选区域Δv排序后的分布图，该分布图平缓区域与图5(d)中的密集区域非常吻合。将候选区域中符合条件Δv∈[-0.325,0.430]的像素点的Δy值进行排序，得到图5(f)，图5(f)平缓区域的Δy范围是[0,30.82]，也与阴影分布图5(d)相吻合。

图6 自适应阴影消除算法流程图

图5 另一组图像特征分析结果

4 自适应阴影消除算法

根据上节的分析结果，设计算法如下：先获得候选区域，算法步骤见第1节，然后将候选区域的前景图像和背景图像从RGB色彩空间转换到YUV色彩空间，再做背景差，获得亮度差矩阵ΔY和色度差矩阵ΔV。

阴影区域的色度差Δv一般在[0,10]范围内，取[-5,20]作为考察范围，实际试验中，超出该范围的阴影点很少，可以忽略。对候选区域内所有属于[-5,20]区间的色度差Δv排序，搜索出其中变化较小的区域，本文算法使用条件(2)进行判断，Δv(i)是排序后第i个色度差Δv，N是符合条件Δv∈[-5,20]的像素点个数，a和b是常数，通过多次取值调试后确定a=0.001，b=0.003 5。

Δv(i)-Δv(i-a×N)

(2)

针对每一个Δv区间，从候选区域中搜索出符合条件的像素点，再对这些像素点的亮度差Δy进行排序，与获取Δv区间类似，搜索出所有变化较小的区域，每个Δv区间可能会对应多个Δy区间。将所有搜索出的Δy-Δv区间作为估计门限。

依据上文得到的估计门限进行阴影检测，实现多阈值的阴影消除。图6为算法流程图。

5 实验结果和分析

实验用的部分数据来自图像处理数据库，还有一部分是在实验室中拍摄得到的。算法是在微软Windows平台下，使用matlab编写的。以下图7是使用本文算法的输出结果。

图7 本文算法阴影去除结果

6 结论

本文采用一种基于YUV颜色空间的自适应阴影消除算法，该算法对阴影的门限进行动态估计。实验结果表明，该算法对不同光照情况下的图像都能有效地检测和消除阴影，具有良好的鲁棒性。

[1] 刘国栋,范九伦.彩色视频运动目标

自适应在线聚类提取算法[J].电子技术应用,2014,40(5):132-135.

[2] LEONE A, DISTANTE C. Shadow detection for moving objects based on texture analysis[J]. Pattern Recognit, 2007, 40, (4): 1222-1233.

[3] 朱敏琛,王伟智.融合线性特征的局部纹理运动车辆阴影检测[J].微型机与应用,2013,32(14):44-46,50.

[4] NADIMI S, BHANU B. Physical models for moving shadow and object detection in video[J]. IEEE Trans. Pattern Anal. Mach. Intell, 2004, 26,(8): 1079-1087.

[5] ZHANG W, FANG X Z, XU Y. Detection of moving cast shadows using image orthogonal transform[C]. In Proc. IEEE Int. Conf. Pattern Recognition, 2006:626-629.

[6] CHEN C T, SU C Y, KAO W C. An enhanced segmentation on vision-based shadow removal for vehicle detection[J]. Int. Conf. Green Circuits and Systems, 2010: 679-682.

[7] 邓亚丽,毋立芳,李云腾. 一种有效的图像阴影自动去除算法[J]. 信号处理， 2011(11): 1724-1728.

[8] ENNEHAR B C, BRAHIM O, HICHAN T. An appropriate color space to improve human skin detection[J]. INFOCOMP Journal of Computer Science, 2011, 10(1): 18-27.

[9] FUNG G S K, YUNG N H C, PANG G K H, et al. Towards detection of moving cast shadows for visual traffic surveillance[C]. Systems, Man, and Cybernetics, 2001 IEEE International Conference, 2001:2505-2510.

An adaptive shadow elimination algorithm based on YUV color space

Wang Xianglei1, Tang Jiashan2

(1.College of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China;2.College of Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China)

This paper proposes a new shadow elimination method based on YUV color space for object detection problem. The method uses the adaptive dynamic threshold compared with other shadow detection methods based on YUV color space. Firstly, it uses image differencing in RGB color space to obtain the image that only contains the target object and its shadow. Then, it analyzes the U channel of the image in YUV color space to identify the interval where the U channel change slowly. Next, identifying the corresponding interval of Y channel for each U channel interval, so, the adaptive dynamic threshold is got. Finally, it uses the threshold to eliminate the shadow. The experimental results show that this method have a good effect of shadow elimination under different lighting conditions.

shadow detection; YUV; adaptive

TP391

A

1674-7720(2016)07-0044-04

王珦磊，唐加山. 一种基于YUV颜色空间自适应阴影消除算法[J].微型机与应用，2016,35(7)：44-47.

2016-01-06)

王珦磊(1991-)，男，硕士生，主要研究方向：现代通信中的智能信号处理。

唐加山(1968-)，男，博士，教授，主要研究方向：现代通信中的智能信号处理、应用统计等。