CN101739678A - 物体阴影的检测方法 - Google Patents
物体阴影的检测方法 Download PDFInfo
- Publication number
- CN101739678A CN101739678A CN200810175481A CN200810175481A CN101739678A CN 101739678 A CN101739678 A CN 101739678A CN 200810175481 A CN200810175481 A CN 200810175481A CN 200810175481 A CN200810175481 A CN 200810175481A CN 101739678 A CN101739678 A CN 101739678A
- Authority
- CN
- China
- Prior art keywords
- pixel
- histogram
- image
- mobile object
- heterochromia
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明提出一种物体图像阴影检测方法,其包括先检测连续多张图像中的移动物体,接着计算各个图像中移动物体的色彩差异的直方图,然后再累计这些图像的色彩差异的直方图,而获得累计直方图,以及估测累计直方图上色彩差异的分布,而获得阴影分布函数,最后则利用此阴影分布函数判断所接收图像中的每一个像素是否为阴影。
Description
技术领域
本发明是有关于一种数字图像处理方法,特别是有关于一种阴影检测方法。
背景技术
近年来,各国政府惊觉对环境安全信息的不足,开始积极投入视频安全监控产业的发展,以强化相关安全管制措施;加上社会大众对个人、住家及小区保全设施重视程度的逐渐增加,促使视频安全监控产品需求快速成长。在广泛设置的图像监控系统中,移动物体检测扮演相当重要的角色。正确的检测移动物体大小及位置可以大幅提高后续操作诸如:异常事件分析、入侵检测分析等等!
目前图像监控系统往往通过背景相减法等数字图像处理技术获取感兴趣的移动物体,进行高阶的行为分析。然而,背景相减法往往将物体的阴影视为前景,使得物体大小及位置无法正确判断,因而造成后续分析上的困难。因此,图像监控系统如何能在去除物体背景之后,执行阴影检测并去除之确有其必要性。
图1是传统阴影检测方法的流程图。步骤S110即将前景物减去背景的色彩特征,以取得图像的特征。比如,将背景的统计数据与前景物进行差异比对,从而得到相应物体的阴影的待检区域。
步骤S120是对图像进行色彩空间转换,比如将前述物体的阴影的待检区域的色彩表示格式进行转换,从而分别得到相应的亮度、色度、色调与饱和度。
步骤S130需由使用者根据色彩空间转换后的图像,手动设定阈值(Threshold)。比如,针对亮度差、色调差、色度差、亮度梯度差或朗士基行列式值等统计数据手动进行阈值设定。
步骤S140即依据所设定的阈值,从图像中检测出阴影,以区别移动物体与其阴影。物体阴影的物理特性若与背景图像比较,其色调相似但亮度较低。其中,若前述色彩空间转换后的图像的像素值满足于基于前述物体特性所设定的阈值,则可判定该像素属于阴影部分;反之,可判定该像素属于物体部分。
传统阴影检测方法往往只能针对特定场景及光源,由使用者自行设定个别参数以满足不同图像的阴影特性。回顾过去阴影的去除方法,主要都着重在于色彩空间的转换或特征的选取,但其中如何设定一个好的阈值使其在转换后的色彩空间或特征空间上得到良好的阴影分割(Segmentation),往往得仰赖人为手动的参数设定,主要的原因在于影片间的变异性、甚至同一影片中光影的变化性都难以掌控。然而,不同的环境光源(如散射光或直射光)表现在图像上的阴影特性也大不相同,甚至连光源的强度也会影响阴影特性,种种因素将会提高阴影检测的困难度。针对这些问题,传统上的作法只能针对个别不同的场景、不同的环境光源,由使用者自行设定个别参数以满足不同场景的阴影特性,实际的应用上仍存在相当的困难及不便。
发明内容
本发明提出一种物体图像阴影检测方法,以自动学习的方式,无需由使用者设定参数便可检测图像阴影。
有鉴于此,本发明提供一种阴影检测方法,包括下列步骤:首先,检测连续多张图像中的移动物体。接着计算这些图像中移动物体的色彩差异的直方图(Histogram);之后累计这些图像的色彩差异的直方图,获得累计直方图;随即估测累计直方图上色彩差异的分布,获得阴影分布函数;以及利用阴影分布函数判断所接收图像中的每一个像素是否为阴影。
在本发明的一实施例中,上述的检测连续多张图像中的移动物体的步骤包括先撷取背景图像,之后再将这些图像减去背景图像,从而获得这些图像中移动物体的物体图像。
本发明的一实施例中,上述计算这些图像中移动物体的色彩差异的直方图的步骤包括先将这些物体图像减去背景图像中相同区域的图像,以获得移动物体与背景图像间每一个像素的色彩差异,之后再计算移动物体中像素的色彩差异的分布,从而获得移动物体的色彩差异的直方图。
本发明的一实施例中,上述累计图像的色彩差异的直方图,获得累计直方图的步骤包括将这些图像的色彩差异的直方图中对应的色彩差异相加、相乘或取平均值以作为累计直方图。
本发明的一实施例中,上述估测累计直方图上色彩差异的分布,获得阴影分布函数的步骤是针对累计直方图中色彩差异的峰值区域内的分布曲线,估测与其近似的高斯曲线,而以高斯曲线的函数作为阴影分布函数,而估测高斯曲线的步骤包括利用强健估测法(Robust estimation)以进行估测。
本发明的一实施例中,上述利用阴影分布函数判断所接收图像中的每一个像素是否为阴影的步骤包括先将所接收图像减去背景图像,获得移动物体的物体图像,之后判断物体图像中的每一个像素的像素值是否落于阴影分布函数所定义的像素值范围内。其中,若像素的像素值落于像素值范围内,则判定像素属于移动物体的阴影;反之,若像素的像素值非落于像素值范围内,则判定像素属于移动物体的本体。
为让上述本发明的目的、特征和优点能更明显易懂,下文特举本发明几个实施例,并配合所附图式,作详细说明如下。
附图说明
图1是传统阴影检测方法的流程图。
图2是根据本发明一实施例所绘示的阴影检测方法的流程图。
图3是根据本发明一实施例所绘示的累计直方图的更新方式。
图4A是根据本发明一实施例所绘示的阴影分布函数估测方式。
图4B是根据本发明一实施例所绘示的影响函数ρ。
图5是根据本发明一实施例所绘示的阴影检测的训练阶段的示意图。
图6是根据本发明一实施例所绘示的阴影检测方法的流程图。
图7是根据本发明一实施例所绘示的阴影检测的训练阶段的示意图。
图8是根据本发明一实施例所绘示的阴影检测的应用阶段的示意图。
[主要元件标号说明]
310:目前图像 320:直方图
330:累计直方图 510:背景图像
520:连续多张图像 530:色彩差异的直方图
540:累计直方图 541:色彩差异的分布曲线
542:阴影分布函数 h:高斯曲线区间m的统计量
m:高斯曲线的平均值 σ:匹配函数
ρ:影响函数
S110~S140:传统阴影检测方法的各步骤
S210~S250:本发明一实施例的阴影检测方法的各步骤
S610~S680:阴影检测方法的各步骤
S702~S726:本发明一实施例的阴影检测训练阶段的各步骤
S810~S880:本发明一实施例的阴影检测应用阶段的各步骤
R:红色色彩空间 G:绿色色彩空间
B:蓝色色彩空间 H:色调色彩空间
S:色度色彩空间 I:亮度色彩空间
具体实施方式
本发明通过估测移动物体的色彩差异值以作为特征,利用阴影所在像素落于特征直方图上特定区的特性,通过众多的观察来更新一个累计直方图,使其强化出阴影特征所在区间的分布并弱化其它区间,最后再通过强健估测法来估测分布函数,藉以将其参数化以利后续的阴影检测。为了使本发明的内容更为明了,以下特举实施例作为本发明确实能够据以实施的范例。
图2示例本发明一实施例的阴影检测方法的流程图。请参照图2,本实施例是先检测连续多张图像中的移动物体(步骤S210)。移动物体检测主要是利用先建立一个背景建立的技术,再将目前图像与所建立的背景相减来获得前景。通过背景相减后所得出的前景,可利用连接对象标记法(ConnectedComponent Labeling)将每一个连接对象(即每一个个体)区分出来,接下来则针对每一个连接对象(称之为观察),取其所有像素的色彩特征进行后续的直方图统计。
接着,计算移动物体直方图(步骤S220),即计算移动物体的特征分布。这里的特征并不直接采用色彩空间的数值,而是以移动物体与背景的色彩差异值作为特征,主要的原因在于:当背景被阴影遮蔽时,其投射在背景的光源强度有同等强度的减弱。如此一来,与光源强度有相似响应的特征即具有前景与背景的特征值落于同一区间的特性,故可通过此一特性来强化阴影并弱化前景,藉以计算出最佳的阴影特征差异值范围。
详细地说,本实施例先将上述的物体图像减去背景图像中相同区域的图像,而获得移动物体与背景图像间每一个像素的色彩差异,然后再计算移动物体中像素的色彩差异的分布,即可获得移动物体的色彩差异的直方图。举例来说,可计算灰阶图像的不同像素值的像素数目的统计分布,以获得像素值为0-255的像素数目分布。
下一步则累计这些图像的色彩差异的直方图,以获得累计直方图(步骤S230)。比如累加连续多张图像所产生的相应直方图,而更新累计直方图。通过众多的直方图持续更新累计直方图,使得此累计直方图可强化出阴影分布的区间并估计阴影在图像中的总体趋势。
图3示例累计直方图更新方式。请参照图3,本实施例是针对目前图像310中不同像素值的像素数目进行统计,并以直方图的方式绘制,而可得到目前图像310的直方图320。接着,以相同方法计算取得多张目前图像的直方图后,即可将这些直方图进行累计并用以更新累计直方图330,其更新方式例如是通过下列公式:
其中与hist(i)分别表示更新后与更新前于第i个累计直方图330区间(bin)的统计量,f(i)则为目前图像310的直方图320,而α为学习率,其代表意义为目前图像310对于累计直方图330的影响力。在此选用α=0.1,但不以此为限。如图3所示,在累计多张目前图像310的直方图320后,即可消除单张图像直方图320中可能的凌乱分布,并强化出阴影分布的区间,而有助于提升后续阴影判断上的准确度。
然后,估测累计直方图上色彩差异的分布,获得阴影分布函数(步骤S240),其包含计算累计直方图上色彩差异的分布曲线的近似高斯曲线(Gaussian Function Curve)与匹配函数,以便较好地描述此分布曲线的特性。例如:针对累计直方图中色彩差异的峰值区域内的分布曲线,估测与其近似的高斯曲线,而以此高斯曲线的函数作为阴影分布函数。
图4A示例阴影分布函数估测方式,图4B则示例影响函数ρ。请同时参照图4A与图4B,本实施例包括通过强健估测法(Robust Estimation)来估测高斯曲线,藉以描述阴影的分布。假设高斯曲线的平均值m落于累计直方图的最大峰值的位置,而高度h为高斯曲线区间m的统计量,则此高斯曲线可以下式表示:
如此一来,即可通过估测σ来求得匹配函数,即
但此函数易受外围粗差(Outlier)的影响,此处的粗差指的是非阴影的像素在直方图上的分布,故在此通过M-估测(M-estimation)来求出最适合的此法通过影响函数(Influence Function)ρ,来给予(g(i,m,h,σ)-hist(i))不同的权重,藉以减小外围粗差的影响力,因此上式(3)可转化为最小化式:
在本实施例中选用Tukey’s biweight function来作为影响函数ρ,如公式所示:
通过估测高斯曲线,即可用来进行阴影检测,根据统计学的意义,当像素的特征值落于此高斯曲线的数倍标准差(σ)内,即可判定为阴影,在此选用2.5倍标准差,但不以此为限。
在此需强调的是,本发明的阴影检测方法可分为训练阶段及应用阶段两部分,其中训练阶段是为了建立较好的阴影分布函数,而应用阶段即可使用此阴影分布函数进行阴影检测,以上步骤即属于训练阶段。
举例来说,图5是根据本发明一实施例所绘示的阴影检测的训练阶段的示意图。请同时参见图2及图5,本实施例包括将连续多张图像520分别与背景图像510相减,藉以检测出各张图像520中的移动物体。一旦检测移动物体图像之后,便可以经由统计方法以获得移动物体的色彩差异的直方图530。
举例来说,若像素的色彩差异的分布的范围介于0~255之间,则可以统计移动物体图像各个像素的色彩差异,并依色彩差异的分布以横轴为色彩差异值(即0~255),纵轴为像素个数绘制色彩差异的直方图530。
之后,累计移动物体图像的色彩差异的直方图,获得累计直方图540。此累计直方图540是用来估计阴影在图像中的总体趋势。其中,通过计算累计直方图540上色彩差异的分布曲线541的近似高斯曲线,即可获得阴影分布函数542。
承上述,一旦建立了阴影分布函数,便结束训练阶段,而进入应用阶段。在应用阶段中,即可利用训练阶段中所获得的阴影分布函数来判断所接收图像中的每一个像素是否为阴影(步骤S250)。详细地说,若接收图像的像素值满足于阴影分布函数时时,便可将前述像素当作阴影;反之,当接收图像的像素值不满足于该函数时,则可将前述像素当作物体。
通过上述训练阶段及应用阶段的估测及判断,即可针对个别不同的场景、不同的环境光源估测出较佳的阴影分布函数,而成功地将阴影检测出来。值得注意的是,上述实施例尚未考虑彩色图像的部分,而本发明的阴影检测方法只需加入色彩空间转换的部分即可应用到彩色图像上,以下则再举一实施例详细说明。
图6示例本发明一实施例的阴影检测方法的流程图。请参照图6,本实施例亦先检测连续多张图像中的移动物体(步骤S610),其例如是将这些图像的每一个像素的亮度与背景图像每一个像素的亮度相减,便可撷取这些图像中的移动物体。
接着,对图像中的移动物体进行色彩空间的转换(步骤S620)。与前述实施例不同的是,本实施例导入色彩空间转换,一般图像的色彩空间包括黑白、灰阶、红绿蓝(RGB)色彩空间、亮度红色蓝色(YCrCb)色彩空间以及亮度色度色调(HSI)色彩空间等。本实施例即是以HSI色彩空间为例来说明本发明阴影检测方法的详细流程,然本领域技术人员当可视实际需要,将本发明应用至其它色彩空间上。
承上述,步骤S620即将图像中移动物体的色彩空间由RGB转换HSI。其中,将移动物体转换到HSI色彩空间的原因在于其具有较佳的物体性质可用以描述阴影的特性。一般而言,当背景图像被阴影遮蔽时,其色调与色度的改变差异不大,但亮度的改变则会因为其是半影或全影而有不同程度的衰减。RGB与HSI的色彩空间转换如下列方程式所示:
max=MAX(R,G,B),
min=MIN(R,G,B),
I=max (6)
其中,色调差异由原本0°~360°线性转换到0~255,色度差异则由-1~1线性转换到0~255,而亮度差异则忽略负值(因阴影的亮度不应强于原本的背景亮度),其直方图范围落于0~255。
在色彩空间转换后,即可分别就亮度空间、色度空间及色调空间上这些图像的色彩差异,计算这些图像中移动物体中关于亮度、色度和色调的色彩差异的直方图,可分别获得亮度直方图、色度直方图及色调直方图(步骤S630)。
然后再分别累计图像的色彩差异的亮度直方图、色度直方图及空间直方图,而获得累计亮度直方图、累计色度直方图及累计色调直方图(步骤S640)。
最后则分别就累计亮度直方图、累计色度直方图及累计色调直方图估测其上色彩差异的分布,而获得亮度阴影分布函数、色度阴影分布函数及色调阴影分布函数(步骤S650)。
图7是根据本发明一实施例所绘示的阴影检测的训练阶段的示意图。请同时参见图6和图7,首先,本实施例是从图像监控系统加载时间序列上连续多张的原始训练图像(步骤S702),其包括先将这些图像的每一个像素的亮度与背景图像每一个像素的亮度相减,以获得这些图像中移动物体的物体图像(步骤S704)。
然而,物体图像的边缘可能因噪声的影响而显得较为支离破碎,因此可进行连接对象标记法将物体图像的边缘平滑化(步骤S706)。详细来说,此步骤即是将边缘转化为二元图像,并利用连接对象标记法来计算出二元图像中有几个对象,接着针对找到的对象以最小矩形框来表示,此最小矩形框内相邻二个对象的距离若不大于某一最小值,则其对应的边缘位置即视为是相连接的,如此一来便可修补物体图像的边缘。
然后,进行色彩空间转换(步骤S708)。本实施例是将图像中移动物体的色彩空间转换为色调(H)空间、色度(S)空间、以及亮度(I)空间,并分别就亮度空间、色度空间及色调空间上这些图像的色彩差异,计算这些图像中移动物体的色彩差异的直方图,获得亮度直方图、色度直方图及色调直方图(步骤S710-714)。
将上述移动物体图像的亮度、色度及色调直方图累计起来,即可获得累计亮度、累计色度及累计色调直方图(步骤S716-720),这些累计直方图即是用来估计阴影在图像中的总体趋势。而通过估测上述累计亮度、累计色度及累计色调直方图中色彩差异的分布,即可获得色调、色度以及亮度阴影分布函数(步骤S722-726)。
最后,分别利用上述估测所得的色调、色度以及亮度阴影分布函数来判断所接收图像中的像素是否为阴影(图6步骤S660)。详细地说,图像中移动物体的色调、色度及亮度必需分别符合色调、色度以及亮度阴影分布函数的范围内,才可将其归类为阴影,其判断方式例如是先判断物体图像中每一个像素的亮度值是否落于亮度阴影分布函数所定义的亮度值范围内。若像素的亮度值落于亮度值范围内,则接着判断此像素的色度值是否落于色度阴影分布函数所定义的色度值范围内。又若像素的色调值落于色度值范围内,则再判断像素的色调值是否落于色度阴影分布函数所定义的色调值范围内。最后,若像素的色调值也落于色调值范围内,则可判定此像素属于移动物体的阴影(步骤S670)。相对地,若像素的亮度值非落于亮度值范围内、像素的色度值非落于色度值范围内或像素的色调值非落于色调值范围内,则判定像素属于移动物体的本体(步骤S680)。
图8是根据本发明一实施例所绘示的阴影检测的应用阶段的示意图。请同时参见图6和图8,首先,加载原始应用图像(步骤S810),此图像例如是一个小区监控系统所撷取的RGB色彩空间图像。接着,将所接收图像减去背景图像,获得移动物体的物体图像(步骤S820)。然后,将此物体图像的色彩空间转换为亮度空间、色度空间及色调空间,而获得物体图像中每一个像素的亮度值、色度值及色调值(步骤S830)。
然后,判断物体图像中每一个像素的亮度值是否落于亮度阴影分布函数所定义的亮度值范围内(步骤S840)。若像素的亮度值落于亮度值范围内(符合亮度阴影分布函数),则进一步判断像素的色度值是否落于色度阴影分布函数所定义的色度值范围内(步骤S850)。若像素的色调值落于色度值范围内(符合色度阴影分布函数),则再判断像素的色调值是否落于色度阴影分布函数所定义的色调值范围内(步骤S860)。最后,若像素的色调值落于色调值范围内(符合色调阴影分布函数),则判定像素属于移动物体的阴影(步骤S870)。
当然,若物体图像中的色调、色度以及亮度其中之一不符合相对应的阴影分布函数,即若像素的亮度值非落于亮度值范围内、像素的色度值非落于色度值范围内或像素的色调值非落于色调值范围内,则判定像素属于移动物体的本体(步骤S880)。
综上所述,本发明的阴影检测方法采用自动学习的方式,通过统计观察样本的色彩差异的分布,自动估测阴影函数以找出阴影落于色彩空间的位置及区间,因此无需经由人为的参数设定,即可正确地检测出前景移动物体中的阴影部分,达到自动检测阴影的目的。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的更动与润饰,因此本发明的保护范围当视所附的权利要求范围所界定者为准。
Claims (17)
1.一种阴影检测方法,包括下列步骤:
检测连续多张图像中的移动物体;
计算各该些图像中该移动物体的色彩差异的直方图;
累计该些图像的该色彩差异的直方图,获得累计直方图;
估测该累计直方图上该色彩差异的分布,获得阴影分布函数;以及
利用该阴影分布函数判断所接收图像中的每一像素是否为阴影。
2.根据权利要求1所述的阴影检测方法,其中检测连续多张图像中的该移动物体的步骤包括:
撷取背景图像;以及
将各该些图像减去该背景图像,获得各该些图像中该移动物体的物体图像。
3.根据权利要求2所述的阴影检测方法,其中将各该些图像减去该背景图像,获得各该些图像中该移动物体的该物体图像的步骤还包括:
将减去该背景图像后的该些图像中的多个连接对象标记。
4.根据权利要求2所述的阴影检测方法,其中计算各该些图像中该移动物体的该色彩差异的直方图的步骤包括:
将各该些物体图像减去该背景图像中相同区域的图像,获得该移动物体与该背景图像间每一像素的该色彩差异;以及
计算该移动物体中该些像素的该色彩差异的分布,获得该移动物体的该色彩差异的直方图。
5.根据权利要求4所述的阴影检测方法,其中累计该些图像的该色彩差异的直方图,获得该累计直方图的步骤包括将该些图像的该色彩差异的直方图中对应的该色彩差异相加、相乘或取平均值以作为该累计直方图。
6.根据权利要求1所述的阴影检测方法,其中估测该累计直方图上该色彩差异的分布,获得该阴影分布函数的步骤包括:
针对该累计直方图中该色彩差异的峰值区域内的分布曲线,估测与其近似的高斯曲线,而以该高斯曲线的函数作为该阴影分布函数。
7.根据权利要求6所述的阴影检测方法,其中估测与其近似的该高斯曲线的步骤包括利用强健估测法以进行估测。
8.根据权利要求1所述的阴影检测方法,其中利用该阴影分布函数判断所接收图像中的每一像素是否为阴影的步骤包括:
将所接收图像减去背景图像,获得该移动物体的物体图像;
判断该物体图像中的每一像素的像素值是否落于该阴影分布函数所定义的像素值范围内;
若该像素的像素值落于该像素值范围内,则判定该像素属于该移动物体的阴影;以及
若该像素的像素值非落于该像素值范围内,则判定该像素属于该移动物体的本体。
9.根据权利要求8所述的阴影检测方法,其中该像素值范围为该阴影分布函数的峰值对应的像素值加减该阴影分布函数的标准差的倍数所包涵的像素值范围。
10.根据权利要求1所述的阴影检测方法,其中在检测连续多张图像中的该移动物体的步骤之后,还包括:
转换该些图像中该移动物体的色彩空间。
11.根据权利要求10所述的阴影检测方法,其中转换该些图像中该移动物体的该色彩空间的步骤包括:
转换该些图像中该移动物体的该色彩空间为亮度I空间、色度S空间及色调H空间。
12.根据权利要求11所述的阴影检测方法,其中计算各该些图像中该移动物体的该色彩差异的直方图的步骤包括:
分别就该亮度空间、该色度空间及该色调空间上该些图像的该色彩差异,计算各该些图像中该移动物体的该色彩差异的直方图,获得亮度直方图、色度直方图及色调直方图。
13.根据权利要求12所述的阴影检测方法,其中累计该些图像的该色彩差异的直方图,获得该累计直方图的步骤包括:
分别累计该些图像的该色彩差异的该亮度直方图、该色度直方图及该空间直方图,获得累计亮度直方图、累计色度直方图及累计色调直方图。
14.根据权利要求13所述的阴影检测方法,其中估测该累计直方图上该色彩差异的分布,获得该阴影分布函数的步骤包括:
分别就该累计亮度直方图、该累计色度直方图及该累计色调直方图估测其上该色彩差异的分布,获得亮度阴影分布函数、色度阴影分布函数及色调阴影分布函数。
15.根据权利要求14所述的阴影检测方法,其中利用该阴影分布函数判断所接收图像中的每一像素是否为阴影的步骤包括:
将所接收图像减去背景图像,获得该移动物体的物体图像;
转换该物体图像的色彩空间为该亮度空间、该色度空间及该色调空间,获得该物体图像中每一像素的亮度值、色度值及色调值;
判断该物体图像中每一像素的该亮度值是否落于该亮度阴影分布函数所定义的亮度值范围内;
若该像素的该亮度值落于该亮度值范围内,判断该像素的该色度值是否落于该色度阴影分布函数所定义的色度值范围内;
若该像素的该色调值落于该色度值范围内,判断该像素的该色调值是否落于该色度阴影分布函数所定义的色调值范围内;以及
若该像素的该色调值落于该色调值范围内,则判定该像素属于该移动物体的阴影。
16.根据权利要求15所述的阴影检测方法,其中利用该阴影分布函数判断所接收图像中的每一像素是否为阴影的步骤还包括:
若该像素的亮度值非落于该亮度值范围内、该像素的色度值非落于该色度值范围内或该像素的色调值非落于该色调值范围内,则判定该像素属于该移动物体的本体。
17.根据权利要求10所述的阴影检测方法,其中转换该些图像中的该移动物体的该色彩空间的步骤包括:
转换该些图像中的该移动物体的该色彩空间为亮度Y空间、蓝色Cb空间及红色Cr空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101754814A CN101739678B (zh) | 2008-11-10 | 2008-11-10 | 物体阴影的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101754814A CN101739678B (zh) | 2008-11-10 | 2008-11-10 | 物体阴影的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101739678A true CN101739678A (zh) | 2010-06-16 |
CN101739678B CN101739678B (zh) | 2012-01-11 |
Family
ID=42463129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101754814A Active CN101739678B (zh) | 2008-11-10 | 2008-11-10 | 物体阴影的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101739678B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693532A (zh) * | 2011-02-25 | 2012-09-26 | 微软公司 | 图像阴影和高光的自动局部调整 |
CN103186900A (zh) * | 2013-03-26 | 2013-07-03 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN111526263A (zh) * | 2019-02-01 | 2020-08-11 | 光宝电子(广州)有限公司 | 图像处理方法、装置及计算机系统 |
CN111986113A (zh) * | 2020-08-20 | 2020-11-24 | 浙江理工大学 | 一种光学图像光影消除方法及系统 |
CN113099143A (zh) * | 2021-03-29 | 2021-07-09 | 南昌欧菲光电技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7305127B2 (en) * | 2005-11-09 | 2007-12-04 | Aepx Animation, Inc. | Detection and manipulation of shadows in an image or series of images |
CN101231756A (zh) * | 2008-01-30 | 2008-07-30 | 安防科技(中国)有限公司 | 运动目标阴影检测方法及装置 |
-
2008
- 2008-11-10 CN CN2008101754814A patent/CN101739678B/zh active Active
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693532A (zh) * | 2011-02-25 | 2012-09-26 | 微软公司 | 图像阴影和高光的自动局部调整 |
CN102693532B (zh) * | 2011-02-25 | 2016-08-10 | 微软技术许可有限责任公司 | 图像阴影和高光的自动局部调整 |
CN103186900A (zh) * | 2013-03-26 | 2013-07-03 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN103186900B (zh) * | 2013-03-26 | 2015-09-02 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN111526263A (zh) * | 2019-02-01 | 2020-08-11 | 光宝电子(广州)有限公司 | 图像处理方法、装置及计算机系统 |
CN111526263B (zh) * | 2019-02-01 | 2022-03-18 | 光宝电子(广州)有限公司 | 图像处理方法、装置及计算机系统 |
CN111986113A (zh) * | 2020-08-20 | 2020-11-24 | 浙江理工大学 | 一种光学图像光影消除方法及系统 |
CN111986113B (zh) * | 2020-08-20 | 2024-03-22 | 浙江理工大学 | 一种光学图像光影消除方法及系统 |
CN113099143A (zh) * | 2021-03-29 | 2021-07-09 | 南昌欧菲光电技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113099143B (zh) * | 2021-03-29 | 2023-03-21 | 南昌欧菲光电技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101739678B (zh) | 2012-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666834A (zh) | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 | |
CN103763515B (zh) | 一种基于机器学习的视频异常检测方法 | |
US20100111362A1 (en) | Method for detecting shadow of object | |
CN103093203B (zh) | 一种人体再识别方法以及人体再识别系统 | |
CN101739678B (zh) | 物体阴影的检测方法 | |
US9971944B2 (en) | Unstructured road boundary detection | |
CN103020992A (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN110111361A (zh) | 一种基于多阈值自优化背景建模的运动目标检测方法 | |
CN104021527B (zh) | 一种图像中雨雪的去除方法 | |
CN104184925A (zh) | 一种视频场景变化的检测方法 | |
WO2002093477A3 (en) | Object tracking based on color distribution | |
CN112070691B (zh) | 一种基于U-Net的图像去雾方法 | |
Surkutlawar et al. | Shadow suppression using RGB and HSV color space in moving object detection | |
CN105701474B (zh) | 一种结合颜色和外型特征的视频烟雾识别方法 | |
CN110807406A (zh) | 一种雾天检测方法及装置 | |
CN108805826A (zh) | 改善去雾效果的方法 | |
Shiting et al. | Clustering-based shadow edge detection in a single color image | |
CN107346421B (zh) | 一种基于颜色不变性的视频烟雾检测方法 | |
Ye et al. | Moving object detection with background subtraction and shadow removal | |
CN108765316A (zh) | 雾气浓度自适应判断方法 | |
Fitriyah et al. | An analysis of rgb, hue and grayscale under various illuminations | |
CN102542304B (zh) | 识别wap手机色情图像的区域分割肤色算法 | |
CN104299200A (zh) | 一种彩色增强的单幅图像去雨处理方法 | |
CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
CN106339995A (zh) | 一种基于时空多特征的车辆阴影消除方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |