CN103164847A - 视频图像中运动目标阴影消除方法 - Google Patents

Abstract

本发明提供的一种视频图像中运动目标阴影消除方法，具有这样的特征，包括以下步骤：建立视频图像实时更新的背景模型；根据背景模型，使用帧间差分法获得含有阴影的运动目标图像；对含有阴影的运动目标图像进行HSV色彩空间转换，获得含有阴影的运动目标图像的色度分量、饱和度分量和亮度分量；根据预设网格，计算每个预设网格的亮度分量的均值和方差；将均值和方差作为二维特征向量，使用K-means算法进行聚类；将色度分量、所述饱和度分量和所述亮度分量作为三维特征向量，使用K-means算法进行聚类，获得阴影区域；在阴影区域将二值图像的像素值设定为零，消除二值图像中的阴影。

Description

视频图像中运动目标阴影消除方法

技术领域

本发明属于数字图像处理领域，特别涉及一种视频图像中运动目标阴影消除方法。

背景技术

由于在实际的监控环境中，运动物体受到光照的影响，会不可避免的在其附近形成移动阴影。运动阴影会造成目标的失真，严重影响图像分析的准确度，对于系统整体性能的提高有较大的影响。所以有必要对包含大量移动阴影的目标进行阴影抑制和消除。

阴影的形成主要是由于运动目标遮挡了光源的直接照射而在场景中形成的暗区域，根据阴影的特性可以分为两类：自阴影和投射阴影。自阴影是目标自身不能被光线直接照射的部分，投影则是目标沿光源方向投射形成的暗区域。在运动阴影检测中，主要是针对于投射阴影，也成为运动投射阴影(moving cast shadow)。

阴影检测算法主要分为两类：一种是基于几何模型的方法主要是利用场景的先验信息，建立阴影检测模型，对三维运动目标的棱、线、角等进行匹配，此方法通常要求特定的场景条件；另一种是阴影的自身特征主要是指亮度、色彩和纹理等信息，然后根据这些特征同非阴影区进行区分。这种根据阴影自身特征的区分方法虽然不需要特定的场景条件，但是容易造成目标与阴影粘连，无法提取完整的边缘信息，从而导致目标的失真。

如何在不特定的场景条件下，提取比较完整的运动目标边缘信息，从而还原比较真实的运动目标成为需要解决的一大问题。

发明内容

本发明提供的一种视频图像中运动目标阴影消除方法以克服现有技术所存在的上述缺点和不足。

本发明提供的一种视频图像中运动目标阴影消除方法，其特征在于，包括以下步骤：

步骤A.建立视频图像实时更新的背景模型；

步骤B.根据背景模型，使用帧间差分法获得含有阴影的运动目标图像；

步骤C. 对含有阴影的运动目标图像进行HSV色彩空间转换，获得含有阴影的运动目标图像的色度分量、饱和度分量和亮度分量；

步骤D.根据预设网格，计算每个预设网格的亮度分量的均值和方差；

步骤E. 根据均值和方差获得初始聚类中心，将均值和方差作为二维特征向量，使用K-means算法进行聚类，获得聚类中心；

步骤F.根据聚类中心，将色度分量、饱和度分量和亮度分量作为三维特征向量，使用K-means算法进行聚类，获得最终聚类中心，根据最终聚类中心获得阴影区域；

步骤G.对含有阴影的运动目标图像进行阈值化处理，获得含有阴影的运动目标的二值图像，在阴影区域将二值图像的像素值设定为零，消除二值图像中的阴影。

另外，本发明提供的视频图像中运动目标阴影消除方法还可以具有这样的特征：步骤A中的背景模型为混合高斯背景模型。

进一步，本发明提供的视频图像中运动目标阴影消除方法还可以具有这样的特征：其中K-means算法包括以下步骤：

M1.选取聚类类别数k；

M2.在样本D中随机选择k个初始聚类中心；

M3.对样本D中的所有点x_i(i=1,2,…,N)，按欧式距离分配给某个聚类中心c_j(j=1,2,…,k),计算公式如下：

$d(x_i,c_j)=\sqrt{\underset{l=1}{\overset{d}{\mathrm{\Σ}}}{(x_{\mathrm{il}}-c_{\mathrm{jl}})}^2}$

M4.重新计算各个聚类中心

, m_j={m_j1,m_j2,…,m_jd}，m_j是第j个聚类的中心；

M5.当聚类中心不再变化，获得最终聚类中心，否则重复步骤M3。

发明的作用与效果

根据本发明的视频图像中运动目标阴影消除方法，因为该视频图像中运动目标阴影消除方法利用K-means聚类进行阴影检测的算法，该算法利用阴影自身的特性，以色调、饱和度和亮度作为特征向量，进行运动区域的像素的聚类，所以，更精确的将运动目标的阴影区域与非阴影区域分离开来，从而提取比较完整的运动目标边缘信息，还原比较真实的运动目标。

附图说明

图1为本发明在实施例中的视频图像中运动目标阴影消除方法的流程图；

图2为本发明在实施例中的视频图像中运动目标阴影消除方法的视频图像；

图3为本发明在实施例中的视频图像中运动目标阴影消除方法的白色车辆图像；

图4为本发明实施例中的视频图像中运动目标阴影消除方法消除阴影前的运动目标图像；以及

图5为本发明实施例中的视频图像中运动目标阴影消除方法消除阴影后的运动目标图像。

具体实施例

下面结合附图和具体实施方式对本发明的视频图像中运动目标阴影消除方法作进一步地阐述。

图1为本发明在实施例中的视频图像中运动目标阴影消除方法的流程图。

如图1所示，本发明的视频图像中运动目标阴影消除方法包括以下步骤。

步骤A.建立视频图像的混合高斯背景模型，对背景进行实时更新。

步骤B.利用帧间差分法得到前景图像，即将由高斯背景模型得到的背景图像与当前图像进行差分，从而得到前景运动目标，即含有阴影的运动目标图像，计算公式如下：

D(x,y)是背景图像B(x,y)与当前图像f(x,y)进行相减得到差值图像，

D(x,y)=|B(x,y)-f(x,y)|。

步骤C.对得到的前景图像进行HSV色彩空间转换。HSV彩色空间模型以人的颜色感觉为基础，相比于RGB空间更接近于人们的经验和对彩色的感知，并且HSV模型中三个颜色分量之间不具有相关性，，实际应用中，默认的颜色空间是RGB模型，因此要先进行RGB空间到HSV空间的转换，转换公式如下：

V=max(R,G,B)

$S=\left\{\begin{array}{cc}\frac{V-\min (R,G,B)}{V}& \mathrm{if}(V\≠0)\\ 0& \mathrm{if}(V=0)\end{array}\right.$

$H=\left\{\begin{array}{cc}\frac{(G-B)*60}{S}& \mathrm{if}(V=R)\\ 180+\frac{(B-R)*60}{S}& \mathrm{if}(V=G)\\ 240+\frac{(R-G)*60}{S}& \mathrm{if}(V=B)\end{array}\right.$

If(H＜0)  then  H=H+360

步骤D.在HSV空间下，对于前景图像的亮度分量(V通道)进行划分网格，计算网格图像均值和方差，计算公式如下：

设网格大小为n，计算公式为：

$u_i=\frac{1}{n^2}\underset{j=1}{\overset{n^2}{\mathrm{\Σ}}}{x}_j$

${\mathrm{\σ}}^2=\frac{1}{n^2}\underset{j=1}{\overset{n^2}{\mathrm{\Σ}}}{(u_i-x_j)}^2$

其中u_i是第i个网格。

E.由于阴影区域的均值与方差与非阴影区域的均值与方差有较大的差异，因此可以划分出初始阴影区域类聚中心与初始非阴影区域类聚中心，将方差u和标准差σ作为二维特征向量，利用K-means算法进行聚类，设置聚类中心数为2。

聚类算法的具体步骤如下：

步骤M1.选取聚类类别数k;

步骤M2.在样本D中随机选择k个初始聚类中心

步骤M3.对样本D中的所有点x_i(i=1,2,…,N)，按欧式距离分配给某个聚类中心c_j(j=1,2,…,k),计算公式如下：

$d(x_i,c_j)=\sqrt{\underset{l=1}{\overset{d}{\mathrm{\Σ}}}{(x_{\mathrm{il}}-c_{\mathrm{jl}})}^2}$

步骤M4.重新计算各个聚类中心

m_j={m_j1,m_j2,…,m_jd}，其中m_j是第j个聚类的中心。

步骤M5.转至第3步，直到聚类中心不再变化，即为收敛。

由于阴影区域和非阴影区域的差异，一个聚类中心会在阴影区，另一个会在非阴影区。

步骤F.根据上述阴影区域的类聚中心作为初始聚类中心，将步骤C中获得的H,S,V即色度分量、饱和度分量和亮度分量为三维特征向量，再次进行K-means均值聚类，H,S,V可以在像素级上对视频图像进行阴影划分，从而更精确的将阴影区域与非阴影区域分离开来，获得阴影区域。

步骤G.对差值图像，即含有阴影的运动目标图像进行阈值化处理，得到二值图像R(x,y)；

$R(x,y)=\left\{\begin{array}{cc}1,& \mathrm{if}(D(x,y)>T),\mathrm{foreground}.\\ 0,& \mathrm{else},\mathrm{background}.\end{array}\right.$

其中T为阈值，R(x,y)为含有阴影的运动目标的二值图像。

针对阴影区域，使R(x,y)=0，从而完成了阴影的检测和消除。

本发明实施例视频图像的视频图像中运动目标是交通视频的移动车辆。

图2为本发明在实施例中的视频图像中运动目标阴影消除方法的视频图像。

如图2所示，交通视频图像中的有移动车辆，即运动目标，每辆车辆下面都有阴影。本实施例中针对图中白色车辆的阴影进行消除。

图3为本发明在实施例中的视频图像中运动目标阴影消除方法的白色车辆图像。

如图3所示，可以清楚地看到白色车辆的底部有一片阴影区域。

图4为本发明实施例中的视频图像中运动目标阴影消除方法消除阴影前的运动目标图像。

如图4所示，将白色汽车的阴影作为运动目标的一部分，使得运动目标，即白色车辆的图像严重失真。

图5为本发明实施例中的视频图像中运动目标阴影消除方法消除阴影后的运动目标图像。

如图5所示将白色汽车的阴影从运动目标中消除，使得获得的运动目标图像更加接近真实图像。

实施例的作用与效果

根据本发明的视频图像中运动目标阴影消除方法，因为该视频图像中运动目标阴影消除方法利用K-means聚类进行阴影检测的算法，该算法利用阴影自身的特性，以色调、饱和度和亮度作为特征向量，进行运动区域的像素的聚类，所以，更精确的将运动目标的阴影区域与非阴影区域分离开来，从而提取比较完整的运动目标边缘信息，还原比较真实的运动目标。

Claims (3)

1.一种视频图像中运动目标阴影消除方法，其特征在于，包括以下步骤：

A.建立所述视频图像实时更新的背景模型；

B.根据所述背景模型，使用帧间差分法获得含有阴影的运动目标图像；

C. 对所述含有阴影的运动目标图像进行HSV色彩空间转换，获得所述含有阴影的运动目标图像的色度分量、饱和度分量和亮度分量；

D.根据预设网格，计算每个所述预设网格的所述亮度分量的均值和方差；

E. 根据所述均值和所述方差获得初始聚类中心，将所述均值和所述方差作为二维特征向量，使用K-means算法进行聚类，获得聚类中心；

F.将所述聚类中心作为二次聚类计算的初始类聚中心，将所述色度分量、所述饱和度分量和所述亮度分量作为三维特征向量，使用K-means算法进行聚类，获得最终聚类中心，根据所述最终聚类中心获得阴影区域；

G.对所述含有阴影的运动目标图像进行阈值化处理，获得含有阴影的运动目标的二值图像，在所述阴影区域将所述二值图像的像素值设定为零，消除所述二值图像中的阴影。

2.如权利要求1所述的视频图像中运动目标阴影消除方法，其特征在于：

其中，步骤A所述背景模型为混合高斯背景模型。

3.如权利要求1所述的视频图像中运动目标阴影消除方法，其特征在于：

其中，所述的K-means算法包括以下步骤：

M1.选取聚类类别数k；

M 2.在样本D中随机选择所述k个初始聚类中心；

M 3.对所述样本D中的所有点x_i(i=1,2,,…,N)，按欧式距离分配给某个聚类中心c_j(j=1,2,,…,k),计算公式如下：

$0$

M4.重新计算各个所述聚类中心

, m_j={m_j1,m_j2,…,m_jd}，m_j是第j个聚类的中心；

M5.当所述聚类中心不再变化，获得最终聚类中心，否则重复步骤M3。

Images