CN101324927A - 一种阴影检测方法及装置 - Google Patents

Abstract

本发明公开了一种阴影检测方法及装置，本发明方案综合考虑了阴影的纹理特性和颜色特性，并利用他们的联合概率分布来对阴影进行检测，减少了噪声以及其他因素对阴影检测的干扰，从而提高了阴影检测的正确性，保证阴影检测的稳定性。

Description

一种阴影检测方法及装置

技术领域

本发明涉及图像检测技术，尤指一种运动目标检测中的阴影检测方法及装置。

背景技术

在视频监控中，需要对相对于静止的背景被称为前景的运动目标(比如运动的人、移动的物体、运动的车辆等)进行检测。运动目标的有效准确监测和提取，对于目标的分类、跟踪和行为理解等后期处理是非常关键的，也是场景监控中的核心技术之一。

在运动目标检测过程中，由于光线照射物体，会使运动目标产生相应的阴影。产生的阴影会随着运动目标的运动而运动，在进行目标检测时，如果对阴影进行处理，很有可能会将阴影作为运动目标检测出来，这样，对后期的跟踪、识别造成了很大的干扰。

目前，阴影检测方法往往只考虑了阴影的颜色特征，直接利用阈值判断的方法检测出某个目标像素点是否为阴影点，比如在某个目标像素点的颜色值小于预设阈值时，判定该目标像素点为阴影点。现有阴影检测方法受噪声以及其他因素的干扰比较严重，从而降低了阴影检测的正确性，不能保证通过阴影检测将阴影完全去除。

发明内容

有鉴于此，本发明的主要目的在于提供一种阴影检测方法，能够提高阴影检测的正确性，保证阴影检测的稳定性。

本发明的另一目的在于提供一种阴影检测装置，能够提高阴影检测的正确性，保证阴影检测的稳定性。

为达到上述目的，本发明的技术方案具体是这样实现的：

一种阴影检测方法，该方法包括：

A.对图像进行目标检测获得背景点和前景点，并利用检测出的背景点对已建立的背景模型进行更新；

B.计算背景点与前景点的颜色概率分布，以及图像中目标像素点的纹理概率分布的联合概率密度；在得到的联合概率密度小于预设阈值时，判定目标像素点为阴影点。

步骤A中所述背景模型的建立方法为：以输入图像的前N帧作为初始背景估计的参考图像，利用这N帧图像建立背景模型；

假设x₁，x₂，…，x_N为所述图像中的某个像素点x_z的一组观察值样本，采用中值滤波法t时刻某一个像素点x_z的背景像素估计值按照下式计算出：

$B\left(x_z\right)=\underset{i}{\mathrm{median}}\left(x_i\right),$ i＝1，2，……N

步骤A中所述更新的方法为：

对所述背景模型中的像素点和检测出的背景点进行排序，去除排序后距离中值最远的像素点，再利用排序后得到的像素点重新组成N帧图像更新已有背景模型。

步骤B中所述计算联合概率密度的具体为：

B1.计算所述检测出的背景点与前景点的颜色比率，并根据计算出的颜色比率获取颜色概率分布；

B2.计算图像中目标像素点的高斯拉普拉斯值差值，并根据计算出的高斯拉普拉斯值差值获取纹理概率分布；

B3.根据得到的颜色概率分布和纹理概率分布，获取联合概率密度。

步骤B1中所述计算颜色比率α(i)的方法为：

$\mathrm{\α}\left(i\right)=\frac{\frac{I_R\left(i\right){\mathrm{\μ}}_R\left(i\right)}{{\mathrm{\σ}}_R^2\left(i\right)}+\frac{I_G\left(i\right){\mathrm{\μ}}_G\left(i\right)}{{\mathrm{\σ}}_G^2\left(i\right)}+\frac{I_B\left(i\right){\mathrm{\μ}}_B\left(i\right)}{{\mathrm{\σ}}_B^2\left(i\right)}}{{\left(\frac{{\mathrm{\μ}}_R\left(i\right)}{{\mathrm{\σ}}_R\left(i\right)}\right)}^2+{\left(\frac{{\mathrm{\μ}}_G\left(i\right)}{{\mathrm{\σ}}_G\left(i\right)}\right)}^2+{\left(\frac{{\mathrm{\μ}}_B\left(i\right)}{{\mathrm{\σ}}_B\left(i\right)}\right)}^2},$ 其中，I(i)表示前景像素值，μ(i)是背景像素均值，σ(i)是背景像素方差，i表示不同的像素点。R、G、B分别对应三基色分量。

步骤B1中所述获取颜色概率分布P(α)的方法为：

$P\left(\mathrm{\α}\right)=k_1\frac{1}{1+e^{-\frac{\mathrm{\α}-\mathrm{\β}}{{\mathrm{\σ}}_1}}},$ 其中，k₁，β，σ₁为预先设置的值，其中，k₁＝1；β与阴影的强度有关，阴影的强度越弱β设置得越大；σ₁＝60；α为所述颜色比率。

步骤B2中所述计算高斯拉普拉斯值差值diff(i)的方法为：

diff(i)＝LoG_i-LoG_BL，其中， $\mathrm{LoG}=-\left(\frac{r^2-{{\mathrm{\σ}}_2}^2}{{{\mathrm{\σ}}_2}^4}\right)\exp (-\frac{r^2}{2{{\mathrm{\σ}}_2}^2});$ i表示某目标像素点，BL表示背景点；r为目标像素点距离中心点的距离，σ₂为高斯函数带宽。

步骤B2中所述获取纹理概率分布P(diff)的方法为：

$P\left(\mathrm{diff}\right)=k_2\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_3}{e}^{-\frac{{\mathrm{diff}}^2}{{{\mathrm{\σ}}_3}^2}}\text{,}$ 其中，k₂，σ₃为预先设置的值，k₂＝1；σ₃＝60。

步骤B3中所述获取联合概率密度P(diff，α)的方法为：

$P(\mathrm{diff},\mathrm{\α})=P\left(\mathrm{diff}\right)P\left(\mathrm{\α}\right)=k_3\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_3}{e}^{-\frac{{\mathrm{diff}}^2}{{{\mathrm{\σ}}_3}^2}}\frac{1}{1+e^{-\frac{\mathrm{\α}-\mathrm{\β}}{{\mathrm{\σ}}_1}}},$ 其中k₃＝1。

一种阴影检测装置，包括：背景建模单元、目标检测单元、后处理单元、模型更新单元和阴影检测单元；其中，

背景建模单元，用于按照中值滤波法对接收到的图像建立背景模型；

目标检测单元，用于对获得的图像进行检测，并将判断出的前景点输出给后处理单元，而背景点输出给模型更新单元；

后处理单元，用于对检测到的前景点进行后处理并输出运动目标的前景点；

模型更新单元，用于对来自目标检测单元的背景点，以及参与建立背景模型的象素点进行排序，去除排序后距离中值最远即与背景像素相关度最差的像素。再利用排序后得到的像素重新组成N帧图像后发送给背景建模单元；

阴影检测单元，存储有阈值；阴影检测单元用于根据来自后处理单元的运动目标的前景点和模型更新单元的背景点，计算背景点与前景点的颜色概率分布；根据目标像素点和背景点计算图像中目标像素点的纹理概率分布；根据获得的颜色概率分布和纹理概率分布计算目标像素点的联合概率密度；在计算得到的联合概率密度小于预设阈值时，将目标像素点作为阴影点输出。

由上述技术方案可见，本发明这种综合考虑了阴影的纹理特性和颜色特性，并利用他们的联合概率分布来对阴影进行检测，减少了噪声以及其他因素对阴影检测的干扰，从而提高了阴影检测的正确性，保证阴影检测的稳定性。

附图说明

图1是本发明阴影检测方法的流程图；

图2是本发明阴影检测装置的组成结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

图1是本发明阴影检测方法的流程图，预先采用中值滤波法对图像中的背景建立背景模型，如图1所示，本发明方法还包括以下步骤：

步骤100：对图像进行目标检测获得背景点和前景点，并利用检测出的背景点对已建立的背景模型进行更新。

建立背景模型的方法为：

假设，以输入图像的前N帧作为初始背景估计的参考图像，利用这N帧图像建立背景模型。假设x₁，x₂，…，x_N是图像中的某个像素点x_z的一组观察值样本。采用中值滤波法按照公式(1)计算出t时刻某一个像素点x_z的背景像素估计值为对应观察值样本中的中值：

$B\left(x_z\right)=\underset{i}{\mathrm{median}}\left(x_i\right),$ i＝1，2，……N；median表示取中值运算(1)

本步骤中目标检测的方法可以采用现有方法来实现，大致包括：

将输入图像的每个像素点x_z与对应背景点相减，得到差分图像，即采用背景相减法得到初始目标。然后再采用形态学滤波中先腐蚀后膨胀的算法对前景点进行后处理，以去除噪声。

本步骤中利用检测出的背景点对已有背景模型进行更新的方法为：

对参与建立背景模型的象素点和检测出的背景点进行排序，去除排序后距离中值最远即与背景像素相关度最差的像素。再利用排序后得到的像素重新组成N帧图像更新已有背景模型。

本发明的背景模型更新方法，与现有采用FIFO策略即用最新的像素更新最老的像素的方法相比，使得进入目标检测的背景模型中的像素为最相关的像素，从而减弱了异常情况的干扰。

步骤101：计算背景点与前景点的颜色概率分布，以及图像中目标像素点的纹理概率分布的联合概率密度。

首先，根据按照公式(2)计算背景点与前景点的颜色比率α(i)即颜色特征信息：

$\mathrm{\α}\left(i\right)=\frac{\frac{I_R\left(i\right){\mathrm{\μ}}_R\left(i\right)}{{\mathrm{\σ}}_R^2\left(i\right)}+\frac{I_G\left(i\right){\mathrm{\μ}}_G\left(i\right)}{{\mathrm{\σ}}_G^2\left(i\right)}+\frac{I_B\left(i\right){\mathrm{\μ}}_B\left(i\right)}{{\mathrm{\σ}}_B^2\left(i\right)}}{{\left(\frac{{\mathrm{\μ}}_R\left(i\right)}{{\mathrm{\σ}}_R\left(i\right)}\right)}^2+{\left(\frac{{\mathrm{\μ}}_G\left(i\right)}{{\mathrm{\σ}}_G\left(i\right)}\right)}^2+{\left(\frac{{\mathrm{\μ}}_B\left(i\right)}{{\mathrm{\σ}}_B\left(i\right)}\right)}^2}---\left(2\right)$

公式(2)中，I(i)表示前景像素值，μ(i)是背景像素均值，σ(i)是背景像素方差，i表示不同的像素点。R、G、B分别对应三基色分量。

那么，背景点与前景点的颜色比率满足的颜色概率分布P(α)如公式(3)所示：

$P\left(\mathrm{\α}\right)=k_1\frac{1}{1+e^{-\frac{\mathrm{\α}-\mathrm{\β}}{{\mathrm{\σ}}_1}}}$

公式(3)中，k₁，β，σ₁为预先设置的值，其中，k₁可以取1；β与阴影的强度有关，阴影的强度越弱β设置得越大；σ₁与噪声有关，比如可以取60；α为公式(2)中求得的颜色比率。

然后，根据公式(4)计算目标像素点高斯拉普拉斯值差值diff(i)即纹理特征信息：

diff(i)＝LoG_i-LoG_BL

$\mathrm{LoG}=-\left(\frac{r^2-{{\mathrm{\σ}}_2}^2}{{{\mathrm{\σ}}_2}^4}\right)\exp (-\frac{r^2}{2{{\mathrm{\σ}}_2}^2})---\left(4\right)$

公式(4)中，i表示某目标像素点，BL表示背景点；r为目标像素点距离中心点的距离，σ₂为高斯函数带宽，σ₂一般取30。

那么，目标像素点高斯拉普拉斯值差值满足的纹理概率分布P(diff)如公式(5)所示：

$P\left(\mathrm{diff}\right)=k_2\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_3}{e}^{-\frac{{\mathrm{diff}}^2}{{{\mathrm{\σ}}_3}^2}}\text{---}\left(5\right)$

公式(5)中，k₂，σ₃为预先设置的值，其中，k₂可以取1；σ₃与噪声有关，比如可以取60。本发明提出的高斯拉普拉斯统计值作为阴影检测特征，使得阴影检测具有了更高的稳定性。

最后，通过公式(6)计算目标像素点的颜色信息与纹理信息的联合概率密度P(diff，α)：

$P(\mathrm{diff},\mathrm{\α})=P\left(\mathrm{diff}\right)P\left(\mathrm{\α}\right)=k_3\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_3}{e}^{-\frac{{\mathrm{diff}}^2}{{{\mathrm{\σ}}_3}^2}}\frac{1}{1+e^{-\frac{\mathrm{\α}-\mathrm{\β}}{{\mathrm{\σ}}_1}}}---\left(6\right)$

公式(6)中，k₃可以取1。

步骤102：判断获得的联合概率密度是否小于预设阈值，若是则进入步骤103，否则进入步骤104。

本步骤中的阈值与场景有关，需要根据现场调试后设定，具体如何取值属于本领域技术人员惯用技术手段，这里不再赘述。

本发明通过目标像素点的概率分布来判断是否为阴影点的方法，与现有简单的直接阈值判断来讲，增强了阴影检测的稳定性。

步骤103：目标像素点为阴影点。

步骤104：目标像素点为前景点。

从本发明方法可以看出，本发明综合考虑了阴影的纹理特性和颜色特性，并利用他们的联合概率分布来对阴影进行检测，减少了噪声以及其他因素对阴影检测的干扰，从而提高了阴影检测的正确性，保证1阴影检测的稳定性。

图2是本发明阴影检测装置的组成结构示意图，如图2所示，本发明装置包括：背景建模单元、目标检测单元、后处理单元、模型更新单元和阴影检测单元。其中，

背景建模单元，用于按照中值滤波法对接收到的图像建立背景模型。

目标检测单元，用于对获得的图像进行检测，并将判断出的前景点输出给后处理单元，而背景点输出给模型更新单元。

后处理单元，用于对检测到的前景点进行后处理并输出运动目标的前景点。

模型更新单元，用于对来自目标检测单元的背景点，以及参与建立背景模型的象素点进行排序，去除排序后距离中值最远即与背景像素相关度最差的像素。再利用排序后得到的像素重新组成N帧图像后发送给背景建模单元。

阴影检测单元，存储有阈值。阴影检测单元用于根据来自后处理单元的运动目标的前景点和模型更新单元的背景点，计算背景点与前景点的颜色概率分布；根据目标像素点和背景点计算图像中目标像素点的纹理概率分布；根据获得的颜色概率分布和纹理概率分布计算目标像素点的联合概率密度；在计算得到的联合概率密度小于预设阈值时，将目标像素点作为阴影点输出。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种阴影检测方法，其特征在于，该方法包括：

A.对图像进行目标检测获得背景点和前景点，并利用检测出的背景点对已建立的背景模型进行更新；

B.计算背景点与前景点的颜色概率分布，以及图像中目标像素点的纹理概率分布的联合概率密度；在得到的联合概率密度小于预设阈值时，判定目标像素点为阴影点。

2.根据1所述的阴影检测方法，其特征在于，步骤A中所述背景模型的建立方法为：以输入图像的前N帧作为初始背景估计的参考图像，利用这N帧图像建立背景模型；

假设x₁，x₂，…，x_N为所述图像中的某个像素点x_z的一组观察值样本，采用中值滤波法t时刻某一个像素点x_z的背景像素估计值按照下式计算出：

$B\left(x_z\right)=\underset{i}{\mathrm{median}}\left(x_i\right),$ i＝1，2，......N；median表示取中值运算。

3.根据权利要求2所述的阴影检测方法，其特征在于，步骤A中所述更新的方法为：

对所述背景模型中的像素点和检测出的背景点进行排序，去除排序后距离中值最远的像素点，再利用排序后得到的像素点重新组成N帧图像更新已有背景模型。

4.根据权利要求1所述的阴影检测方法，其特征在于，步骤B中所述计算联合概率密度的具体为：

B1.计算所述检测出的背景点与前景点的颜色比率，并根据计算出的颜色比率获取颜色概率分布；

B2.计算图像中目标像素点的高斯拉普拉斯值差值，并根据计算出的高斯拉普拉斯值差值获取纹理概率分布；

B3.根据得到的颜色概率分布和纹理概率分布，获取联合概率密度。

5.根据权利要求4所述的阴影检测方法，其特征在于，步骤B1中所述计算颜色比率α(i)的方法为：

$\mathrm{\α}\left(i\right)=\frac{\frac{I_R\left(i\right){\mathrm{\μ}}_R\left(i\right)}{{\mathrm{\σ}}_R^2\left(i\right)}+\frac{I_G\left(i\right){\mathrm{\μ}}_G\left(i\right)}{{\mathrm{\σ}}_G^2\left(i\right)}+\frac{I_B\left(i\right){\mathrm{\μ}}_B\left(i\right)}{{\mathrm{\σ}}_B^2\left(i\right)}}{{\left(\frac{{\mathrm{\μ}}_R\left(i\right)}{{\mathrm{\σ}}_R\left(i\right)}\right)}^2+{\left(\frac{{\mathrm{\μ}}_G\left(i\right)}{{\mathrm{\σ}}_G\left(i\right)}\right)}^2+{\left(\frac{{\mathrm{\μ}}_B\left(i\right)}{{\mathrm{\σ}}_B\left(i\right)}\right)}^2},$ 其中，I(i)表示前景像素值，μ(i)是背景像素均值，σ(i)是背景像素方差，i表示不同的像素点。R、G、B分别对应三基色分量。

6.根据权利要求5所述的阴影检测方法，其特征在于，步骤B1中所述获取颜色概率分布P(α)的方法为：

$P\left(\mathrm{\α}\right)=k_1\frac{1}{1+e^{-\frac{\mathrm{\α}-\mathrm{\β}}{{\mathrm{\σ}}_1}}},$ 其中，k₁，β，σ₁为预先设置的值，其中，k₁＝1；β与阴影的强度有关，阴影的强度越弱β设置得越大；σ₁＝60；α为所述颜色比率。

7.根据权利要求6所述的阴影检测方法，其特征在于，步骤B2中所述计算高斯拉普拉斯值差值diff(i)的方法为：

diff(i)＝LoG_i-LoG_BL，其中， $\mathrm{LoG}=-\left(\frac{r^2-{{\mathrm{\σ}}_2}^2}{{{\mathrm{\σ}}_2}^4}\right)\exp (-\frac{r^2}{{{2\mathrm{\σ}}_2}^2});$ i表示某目标像素点，BL表示背景点；r为目标像素点距离中心点的距离，σ₂为高斯函数带宽。

8.根据权利要求7所述的阴影检测方法，其特征在于，步骤B2中所述获取纹理概率分布P(diff)的方法为：

$P\left(\mathrm{diff}\right)=k_2\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_3}{e}^{-\frac{{\mathrm{diff}}^2}{{{\mathrm{\σ}}_3}^2}},$ 其中，k₂，σ₃为预先设置的值，k₂＝1；σ₃＝60。

9.根据权利要求8所述的阴影检测方法，其特征在于，步骤B3中所述获取联合概率密度P(diff，α)的方法为：

$P(\mathrm{diff},\mathrm{\α})=P\left(\mathrm{diff}\right)P\left(\mathrm{\α}\right)=k_3\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_3}{e}^{-\frac{{\mathrm{diff}}^2}{{{\mathrm{\σ}}_3}^2}}\frac{1}{1+e^{-\frac{\mathrm{\α}-\mathrm{\β}}{{\mathrm{\σ}}_1}}},$ 其中k₃＝1。

10.一种阴影检测装置，其特征在于，包括：背景建模单元、目标检测单元、后处理单元、模型更新单元和阴影检测单元；其中，

背景建模单元，用于按照中值滤波法对接收到的图像建立背景模型；

目标检测单元，用于对获得的图像进行检测，并将判断出的前景点输出给后处理单元，而背景点输出给模型更新单元；

后处理单元，用于对检测到的前景点进行后处理并输出运动目标的前景点；

模型更新单元，用于对来自目标检测单元的背景点，以及参与建立背景模型的象素点进行排序，去除排序后距离中值最远即与背景像素相关度最差的像素。再利用排序后得到的像素重新组成N帧图像后发送给背景建模单元；

阴影检测单元，存储有阈值；阴影检测单元用于根据来自后处理单元的运动目标的前景点和模型更新单元的背景点，计算背景点与前景点的颜色概率分布；根据目标像素点和背景点计算图像中目标像素点的纹理概率分布；根据获得的颜色概率分布和纹理概率分布计算目标像素点的联合概率密度；在计算得到的联合概率密度小于预设阈值时，将目标像素点作为阴影点输出。

Images