CN103971347A - 视频图像中阴影的处理方法及装置 - Google Patents

Abstract

本发明公开了一种视频图像中阴影的处理方法及其装置，其中，所述方法包括步骤：S01.采集具有运动目标的视频图像；S02.构建背景模型并对视频图像进行处理；S03.提取前景二值图的前景轮廓并对前景轮廓进行区域划分以获取若干前景目标块；S04.根据图像匹配算法将前景目标块划分为前景区以及阴影区；S05.计算阴影区各像素点的光学增益值并过滤得到候选阴影区；S06.根据候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型并重新判断前景目标块的前景区与阴影区；S07.去除前景目标块中的阴影区。本发明能够高效地去除视频中前景目标投掷的阴影，提高图像检测的准确率，有利于提高图像的处理效果。

Description

视频图像中阴影的处理方法及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及视频图像中阴影的处理方法及装置。

背景技术

视频监控中对移动前景的正确检测和跟踪是后续行为分析的关键。但是在实际应用中面临许多挑战，其中前景目标投掷的阴影就是导致错误检测和跟踪的问题之一。由前景投掷的阴影会随着前景目标的移动，从而很容易在检测中被错误判断为一个新的前景目标，进而导致错误的目标跟踪。除此以外阴影还对导致前景目标检测框的畸变、相邻前景目标的错误融合等问题。

视频中的阴影可以分为两类：静态阴影和动态阴影；静态阴影是由背景中静态物体阻塞光照形成(例如，背景中的树，停泊的车辆等)。静态阴影会被融入到背景中，对检测不会造成很大的影响。动态阴影是由场景中移动的前景物体阻塞光照形成(例如，行人或者移动的车辆等)；动态阴影会造成前景检测框的错误合并、前景物体形状的畸变、或者阻挡其它的前景目标。动态阴影又分为本影(黑色阴影)和半影(较为柔和的阴影)。半影具有较低的亮度但是与相应的背景区域具有相近的色度值。本影与对应的背景区域会有较大的色度差，并且亮度也会与前景目标相近。可以看出，对于半影我们可以根据其具有的性质：色度失真小于δ(δ≈0)，亮度失真在一定范围内(T₁，T₂是设定的阈值)来检测并清除阴影，但对于本影却不会有好的效果。如果本影的色度与对应的背景色度具有较大的差别时，称该本影为彩色阴影。

当前主流的阴影处理方法，基于所选用的特征不同可以分为四类：

(1)基于颜色特征的方法；基于这样的假设：阴影区域相对于背景区域来说，其亮度下降，但是色度值保持不变。例如，一个块蓝色区域被阴影覆盖后变成暗蓝色，其亮度下降，但是色度不变。基于此的方法通常都会选择一种可以将色度值和亮度值较好分割的颜色空间模型，常见的有C.-T.Chen提出的基于YUK的阴影检测，E.Salvador提出的c1c2c3模型阴影检测，还有基于RGB，HSV模型的方法。

以R.Cucchiara的基于HSV检测方法为例，HSV相对于RGB颜色空间，HSV更接近于人类认知心理的颜色空间。HSV颜色空间由色度(Hue)、饱和度(Saturation)、亮度(intensity)分量组成。HSV空间更接近人的视觉反映，可以更精确的分割出区域的亮度和色度信息，方便对阴影的检测。对于当前帧k中被检测为前景的像素I_k(x，y),其色度分量为饱和度分量为亮度分量为定义阴影掩膜为SP_k

其中为对应背景像素的V,S,H分量。α，β为亮度分量的阈值，阴影覆盖区域的亮度比背景区域的亮度低，因此当前帧和背景帧亮度比值在[α，β](α≤β≈0)内。背景和目标相比，阴影区域的色度信息变化不大，饱和度变化在一定范围内。该方法对阈值的设置要求较高，不适合于动态场景应用。

(2)基于物理特征的方法；该方法主要是对视频场景进行建模，重点在于对光源建模。根据光源模型的不同分为：线性衰减模型，该类模型假设纯白光为唯一光源，以此来确定阴影颜色特性，该方法使用的场景有限；非线性衰减模型，对室外环境，假设有两个主要光源：太阳光(白光)和云层反射光(蓝光)。Nadimi和Bhanu提出一种双色模型，考虑了两种光源对阴影区域的影响。利用物理模型可以较为准确的预测阴影的位置，但是其对动态背景环境的适应性较差，特别是无法处理与背景有相同色度信息的物体。

(3)基于几何特征的方法；基于几何特性的阴影检测方法要基于严格的假设，并且对复杂视频环境的普适性不强。这种方法只是适用于检测目标较为单一(一般都只是对视频中移动的人进行检测的情况)，易于建立模型，并且要求目标和阴影要有不同的方向。很多基于几何特性的方法都是利用阴影的方向、尺寸、形状等信息来检测和移除阴影的，而这些阴影的属性在理论上都可以根据有关光源、前景形状、地平面水平度等先验知识来预测。以Jun-Wei Hsie提出的基于几何特征和高斯模型的方法为例：

第一步，利用前景图灰度直方图信息和中心距技术获得区域分割线，粗糙的划分前景区和阴影区。其中前景区域R(x，y)可以看做是一个二维的二值函数，其函数的中心矩定义如下：

${\left({\mathrm{\μ}}_{p,q}\right)}_R={\mathrm{\Σ}}_{(x,y)\∈R}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^q$

$(\stackrel{\‾}{x},\stackrel{\‾}{y})=(\frac{1}{\left|R\right|}{\mathrm{\Σ}}_{(x,y)\∈R}x,\frac{1}{\left|R\right|}{\mathrm{\Σ}}_{(x,y)\∈R}y)$

其中，|R|是区域R的面积。前景块的方向θ_R可以通过下式获得：

${\mathrm{\θ}}_R=\arg {\min }_{\mathrm{\θ}}{\mathrm{\Σ}}_{(x,y)\∈R}{[(x-\stackrel{\‾}{x})\sin \mathrm{\θ}-(y-\stackrel{\‾}{y})\cos \mathrm{\θ}]}^2$

θ_R对θ求导取零得到下式：

${\mathrm{\θ}}_R=\frac{1}{2}{\mathrm{Tan}}^{-1}\left(\frac{{2\mathrm{\μ}}_{\mathrm{1,1}}}{{\mathrm{\μ}}_{\mathrm{2,0}}-{\mathrm{\μ}}_{\mathrm{0,2}}}\right)$

获得检测区域的方向后，可以找到一条边界线将行人和阴影粗略的划分开(该方法前提假设，行人和阴影连接于脚部)。分割线图1所示；

通过上图可以看出，确定了P_R点的位置便可以找到分割线。获取前景块的轮廓C_R(x)，以此获取区域R的垂直直方图函数H_R(x)，计算x轴方向相邻位置垂直直方值差dH_R(x)，定义如下：

dH_R(x)＝|H_R(x+1)-H_R(x-1)|

P_R的横轴坐标为x_R，

$x_R={\arg \max }_{{x\∈R}_{\mathrm{random}}}{\mathrm{dH}}_R\left(x\right)$

其中R_random是轮廓范围内x轴的区间。其y_R可以通过轮廓曲线函数获得y_R＝C_Ｒ(x_R)。由此可得边界分割线的函数为

y＝mx+c

其中，m＝tanθ_R，c＝y_R-x_Rtanθ_R，通过分割线可以将前景区R划分为R₁，R₂，阴影区的光照强度较低，像素值分布较背景区域要均匀，标准差较小，以此来确定阴影区R₂。当然，利用这种方法只能获取粗糙的边界，因为该方法对行人和阴影的位置有较为严格的假设。(对于阴影区R₂的判断还可以根据几何性质来确定，阴影区内的垂直直方值整体低于非阴影区，以此来判断)

第二步，利用第一步得到的疑似阴影像素构建高斯阴影模型，并通过模型对第一步的阴影区域进行细化。高斯模型不仅包含了灰度、坐标等信息，还包含了方向信息。这是因为随着光源的不同，行人的影子的方向也会不同，如果不将方向因素考虑进去，会导致阴影与行人铰接处部分区域会错分。为了进一步完善高斯模型，将方向因素加入模型，转换原始的水平坐标系为椭圆坐标系：

$\left(\begin{array}{c}s\\ t\end{array}\right)\left(\begin{array}{cc}\cos {\mathrm{\θ}}_{R_2}& -{\sin \mathrm{\θ}}_{R_2}\\ \sin {\mathrm{\θ}}_{R_2}& \cos {\mathrm{\θ}}_{R_2}\end{array}\right)\left(\begin{array}{c}x-{\mathrm{\μ}}_x\\ y-{\mathrm{\μ}}_y\end{array}\right)$

其中为阴影区R₂的主方向，同时，模型中的各个要素都有不同的权重，分别为w_s(s因素的权重)，w_t(t因素的权重)，w_g(像素灰度值因素的权重)。

模型最终形式为：

$G_a(s,t,I(s,t))=\exp [-(\frac{w_s{s}^2}{{\mathrm{\σ}}_s^2}+\frac{w_t{t}^2}{{\mathrm{\σ}}_t^2}+\frac{w_g{(I(s,t)-{\mathrm{\μ}}_g)}^2}{{\mathrm{\σ}}_g^2})]$

该类检测方法的主要优点在于：检测不需要依赖准确的背景建模，只是针对当前帧来进行处理。主要缺点在于：算法基于强假设；1)较为单一的检测目标，站立的行人或者是车辆；2)前景目标和阴影必须有不同的方向；3)基于几何特性的算法必须是在阴影投射在平坦的地面上时效果才好；因此，该类算法无法处理单个物体具有多个阴影，或者多个目标包含在一个检查框中的情况。

(4)基于纹理特征的方法；该方法主要是依靠这样一个事实：阴影区图像保持有跟对应背景区相同的纹理信息。基于纹理的方法通常都分两步：第一步，通过一个弱分类器，将原始前景区域粗糙的分为前景区和阴影区两部分；第二步，根据像素或者区域纹理相关性对候选阴影区的像素进行二次判断，获取最终的阴影区。弱分类器类型、弱分类器所基于的特征、二次判断所基于的纹理特征的不同衍生出不同的纹理方法。

以上各类方法在处理阴影问题上具有很大的局限性，实验发现这些方法对半影的祛除效果较好，但是对本影的检测和处理效果很差。为此，有必要对上述的阴影处理方法进行改进。

发明内容

本发明所要解决的技术问题是：提供一种可以高效地去除视频中前景目标投掷的阴影，提高阴影处理效果的视频图像中阴影的处理方法及装置。

为了解决上述技术问题，本发明采用的技术方案为：提供一种视频图像中阴影的处理方法，包括如下步骤：

S01、采集具有运动目标的视频图像；

S02、构建背景模型并对视频图像进行处理，以去除背景图像，留下前景二值图；

S03、提取前景二值图的前景轮廓并对前景轮廓进行区域划分以获取若干前景目标块；

S04、根据图像匹配算法将前景目标块划分为前景区以及阴影区；

S05、计算阴影区各像素点的光学增益值并过滤得到候选阴影区，所述光学增益值为阴影区中像素点与对应背景像素点灰度值的比值；

S06、根据候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型并重新判断前景目标块的前景区与阴影区；

S07、去除前景目标块中的阴影区。

为了解决上述技术问题，本发明采用的另一技术方案为：提供一种视频图像中阴影的处理装置，包括顺次电连接的图像采集模块、背景图像处理模块、目标块生成模块、目标块区分模块、阴影区选择模块、阴影模型重构模块以及阴影区去除模块；所述图像采集模块，用于采集具有运动目标的视频图像；所述背景图像处理模块，用于构建背景模型并对视频图像进行处理，以去除背景图像，留下前景二值图；所述目标快生成模块，用于提取前景二值图的前景轮廓并对前景轮廓进行区域划分以获取若干前景目标块；所述目标快区分模块，用于根据图像匹配算法将前景目标块划分为前景区以及阴影区；所述阴影区选择模块，用于计算阴影区各像素点的光学增益值并过滤得到候选阴影区，所述光学增益值为阴影区中像素点与对应背景像素点灰度值的比值；所述阴影模型重构模块，用于根据候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型并重新判断前景目标块的前景区与阴影区；所述阴影区去除模块，用于去除前景目标块中的阴影区。

本发明的有益效果在于：本发明先通过图像匹配算法将前景目标块划分为前景区以及阴影区，在阴影区进行过滤得到候选阴影区，利用候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型，对前景目标块进行前景区与阴影区的识别，能够高效地去除视频中前景目标投掷的阴影，提高图像检测的准确率，有利于提高图像的处理效果。

附图说明

图1是图像中具有阴影的行人轮廓示意图；

图2是本发明视频图像中阴影的处理方法的流程图；

图3是本发明采集的行人图像；

图4是图3去除背景后的前景图像；

图5是图4通过NCC算法去除阴影的效果图；

图6是图4通过NCC算法与阴影模型去除阴影的效果图；

图7是VIBE算法的几何描述图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

本发明最关键的构思在于：本发明先通过图像匹配算法将前景目标块划分为前景区以及阴影区，然后针对阴影区构建阴影模型并重新识别前景目标块，能够高效地去除视频中前景目标投掷的阴影，提高图像检测的准确率，有利于提高图像的处理效果。

请参阅图2-图6，本发明提供了一种视频图像中阴影的处理方法，包括如下步骤：

S01、采集具有运动目标的视频图像；

S02、构建背景模型并对视频图像进行处理，以去除背景图像，留下前景二值图；

S03、提取前景二值图的前景轮廓并对前景轮廓进行区域划分以获取若干前景目标块，其中，所述前景轮廓使用SOBEL算子获取，前景目标块有多个，分为R¹，R²，...，Rⁿ。

S04、根据图像匹配算法将前景目标块划分为前景区以及阴影区；

S05、计算阴影区各像素点的光学增益值并过滤得到候选阴影区，所述光学增益值为阴影区中像素点与对应背景像素点灰度值的比值；

S06、根据候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型并重新判断前景目标块的前景区与阴影区；

S07、去除前景目标块中的阴影区。

从上述描述可知，本发明的有益效果在于：本发明先通过图像匹配算法将前景目标块划分为前景区以及阴影区，在阴影区进行过滤得到候选阴影区，利用候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型，对前景目标块进行前景区与阴影区的识别，能够高效地去除视频中前景目标投掷的阴影，提高图像检测的准确率，有利于提高图像的处理效果。

上述的，光学增益值是一种简单的图像光学信息，阴影区域的像素与对应背景区域像素的灰度值比就是该点的光学增益值，该值在阴影区域内保持稳定，在前景区域有较大的起伏，可以通过在局部区域内构建简单的高斯模型来对阴影像素进行一次过滤。具体操作如下：

在阴影候选区内，像素(i，j)的模板区域(2M+1)×(2M+1)内，计算每个像素点的灰度比值计算标准差，如下判断：

${\mathrm{std}}_R\left(\frac{I(i,j)}{B(i,j)}\right)<L_{\mathrm{std}}\mathrm{and}{L}_{\mathrm{low}}\&le;\left(\frac{I(i,j)}{B(i,j)}\right)<1$

是像素(i,j)模板区域内的标准差，L_std和L_low是阈值。通过过滤对部分错分阴影进行校正。

进一步的，所述步骤S02中的背景模型基于VIBE算法而构建。该方法的基本思想是：采用随机策略，为每一个像素点建立一个缓冲以保存该像素的观测历史M(x)＝{v₁，v₂，...，v_N}。值得注意的是M中的样本并不是连续的，而是随机抽取的。对于输入像素v(x)算法以该像素点为圆心，做半径为R的圆，并求取圆与M(x)中像素交集的基数，当该基数大于某一阈值#_min，则该像素值将被判定为背景像素(算法的几何描述见图7)。如下式所示：

#{S_R（v(_x))∩{v₁，v₂，...，v_N}}

为了提高模型初始化的速度，每个像素点的初始模型由该像素的邻域像素进行填充：M⁰(x)＝{v⁰(y|y∈N_G(x))}。在更新过程中，VIBE方法采用了非递归的保守更新原则，当前像素被判定为背景像素时，该像素值会随机替换掉M(x)中的样本点。相比于先入先出的更新方式，这种更新方法能够扩展时间窗口的大小，同时也保证了先前的观测值保留在模型中的概率随时间指数递减。另外为了加快背景更新速度，扩展模型中时间窗口的大小，算法采用了时间抽样的更新策略。当一个像素被判定为背景像素值，则该像素有的概率更新背景模型。采用随机的时间抽样而非固定频率的时间抽样可以避免算法对周期性运动的背景像素的影响。

另外，为了克服保守更新原则的影响，VIBE采用了邻域传播的更新原则，当一个背景像素得到更新，它的更新将随机传播给它的模型。即通过v(x)对M(y∈N_c(x))进行更新。

进一步的，所述步骤S04中的图像匹配算法为NCC图像匹配算法。NCC是一种经典的图像匹配算法，其优点在于对光照强度的线性变换不太敏感，抗干扰性能较强，计算结果有固定的范围[-1,1]，容易设阈值。缺点是运算复杂度较大，在本方法中通过卷积运算提高运算速率。

设B(i,j)为背景模型，I(i，j)为当前图像，为当前图像中被判定为前景的像素(i,j)选取模板T_ij，T_ij(n，m)＝I(i+n，j+m)其中-N≤n≤n，-N≤m≤N。计算该像素与相应背景像素间的互相关系数NCC(i，j)，

$\mathrm{NCC}(i,j)=\frac{\mathrm{ER}(i,j)}{E_B(i,j)E_{T_{\mathrm{ij}}}},$

$\mathrm{ER}(i,j)={\mathrm{\&Sigma;}}_{n=-N}^N{\mathrm{\&Sigma;}}_{m=-N}^{N}B(i+n,j+m)T_{\mathrm{ij}}(n,m),$

$E_B(i,j)=\sqrt{{{\mathrm{\&Sigma;}}_{n=-N}^N{\mathrm{\&Sigma;}}_{m=-N}^{N}B(i+n,j+m)}^2},$

$E_{T_{\mathrm{ij}}}=\sqrt{{{\mathrm{\&Sigma;}}_{n=-N}^N{\mathrm{\&Sigma;}}_{m=-N}^N{T}_{\mathrm{ij}}(n,m)}^2},$

通过NCC计算公式可以看出，该运算的复杂度主要集中在分子部分，可以通过二维卷积进行简化；卷积运算通常用在信号处理上，硬件处理十分方便，将复杂运算转换为卷积运算可以降低固件运算复杂度，提高效率。本方法中将NCC的分子运算用二维离散卷积来实现，二维卷积的公式如下：

$f(u,v)=f_1(u,v)\&CenterDot;f_2(u,v)={\mathrm{\&Sigma;}}_{m=-\&infin;}^{+\&infin;}{\mathrm{\&Sigma;}}_{n=-\&infin;}^{+\&infin;}{f}_1(m,n)f_2(u-m,v-n)$

可以看出在(i，j)处的归一化互相关的分子实际上就是在位置(i，j)处两个像素点模板对应点相乘的和，而二维离散卷积f(i，j)则是二维离散信号f₁(i，j)和f₂(i，j)的卷积，具体就是信号1各点f₁(u,v)顺序与信号2从位置(i，j)处开始逆序对应点f₂(i-u，j-v)的乘积之和。前景像素点模板I(大小为x_I*y_I)的二维逆序作为信号1，对应背景点模板B(大小为x_B*y_B)作为信号2，则(i+x_I-1，j+y_I-1)处信号1与信号2的卷积的值f(i+x_I-1，j+y_I-1)就是模板I中(i，j)处归一化互相关的分子对于阴影区的像素，其在模板区域的NCC值较大(接近于1)，值应该低于E_B(i，j)，以此来判定阴影像素如下：

$\mathrm{NCC}(i,j)\&GreaterEqual;L_{\mathrm{ncc}}\mathrm{and}{E}_{T_{\mathrm{ij}}}<E_B(i,j)$

其中L_ncc是一个固定的阈值，如果L_ncc值过小，会将部分真正的前景像素误分为阴影，L_ncc值过大，则会降低对阴影的判断正确率。

进一步的，所述步骤S06中的阴影模型为高斯模型，所述高斯模型的公式如下：

$G_I\left(I(x,y)\right)=\exp (-\frac{{(I(x,y)-\mathrm{\&mu;g})}^2}{{\mathrm{\&sigma;}}_g^2})$

所述步骤S06中的重新判断前景目标块的前景区与阴影区的判断公式如下：

$p(x,y)=\left\{\begin{array}{cc}\mathrm{shadow}& |I(x,y)-{\mathrm{\&mu;}}_g|\&le;\mathrm{\&gamma;}*{\mathrm{\&sigma;}}_g\\ \mathrm{foreground}& \mathrm{otherwise}\end{array}\right.$

其中，I(x，y)是像素的光学增益值，μ_g是阴影区像素光学增益均值，σ_g是阴影区像素光学增益值方差，γ为阈值，p(x，y)是前景目标块。

进一步的，所述高斯模型还包括候选区像素点的位置信息，具体公式如下：

$G_2(x,y,I(x,y))=\exp [-(\frac{{(x-{\mathrm{\&mu;}}_x)}^2}{{\mathrm{\&sigma;}}_x^2}+\frac{{(y-{\mathrm{\&mu;}}_y)}^2}{{\mathrm{\&sigma;}}_y^2}+\frac{{(I(x,y)-{\mathrm{\&mu;}}_g)}^2}{{\mathrm{\&sigma;}}_g^2})]$

所述步骤S06中的重新判断前景目标块的前景区与阴影区的判断公式如下：

其中，I(x，y)是像素的光学增益值，μ_g是阴影区像素光学增益均值，σ_g是阴影区像素光学增益值方差，γ为阈值，p(x，y)是前景目标块，μ_x，μ_y为候选阴影区域内x,y轴坐标的均值，σ_x，σ_y为候选阴影区域内x,y轴坐标的方差，γ_x为x坐标上阈值，γ_y为y坐标上的阈值。

综上所述，本发明先通过图像匹配算法将前景目标块划分为前景区以及阴影区，在阴影区进行过滤得到候选阴影区，利用候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型，对前景目标块进行前景区与阴影区的识别，能够高效地去除视频中前景目标投掷的阴影，提高图像检测的准确率，有利于提高图像的处理效果。另外，本发明采用了由粗到细的判断策略，并用改进NCC提高了初步判断速度；阴影模型的构建不仅加入了区域纹理信息同时加入空间几何信息，减少了误判率；阴影模型是基于区域构建的，一些方法利用阴影特性构建全局阴影模型，这样会对动态背景，特别是光照变化特别敏感。而采用区域模型方法则具有较好的鲁棒性，能够进一步提高图像处理效果。

本发明还提供了一种视频图像中阴影的处理装置，包括顺次电连接的图像采集模块、背景图像处理模块、目标块生成模块、目标块区分模块、阴影区选择模块、阴影模型重构模块以及阴影区去除模块；所述图像采集模块，用于采集具有运动目标的视频图像；所述背景图像处理模块，用于构建背景模型并对视频图像进行处理，去除背景图像，留下前景二值图；所述目标快生成模块，用于提取前景二值图的前景轮廓并对前景轮廓进行区域划分以获取若干前景目标块；所述目标快区分模块，用于根据图像匹配算法将前景目标块划分为前景区以及阴影区；所述阴影区选择模块，用于计算阴影区各像素点的光学增益值并过滤得到候选阴影区，所述光学增益值为阴影区中像素点与对应背景像素点灰度值的比值；所述阴影模型重构模块，用于根据候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型并重新判断前景目标块的前景区与阴影区；所述阴影区去除模块，用于去除前景目标块中的阴影区。

综上，本发明提供的视频图像中阴影的处理装置，该装置可以广泛应用于具有运动目标视频图像处理中，将前景目标块划分为前景区以及阴影区，在阴影区进行过滤得到候选阴影区，利用候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型，对前景目标块进行前景区与阴影区的识别并去除，能够提高图像的识别效率，以及提高图像检测的准确率，达到较佳的图像处理效果。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种视频图像中阴影的处理方法，其特征在于，包括如下步骤：

S01、采集具有运动目标的视频图像；

S02、构建背景模型并对视频图像进行处理，以去除背景图像，留下前景二值图；

S03、提取前景二值图的前景轮廓并对前景轮廓进行区域划分以获取若干前景目标块；

S04、根据图像匹配算法将前景目标块划分为前景区以及阴影区；

S05、计算阴影区各像素点的光学增益值并过滤得到候选阴影区，所述光学增益值为阴影区中像素点与对应背景像素点灰度值的比值；

S06、根据候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型并重新判断前景目标块的前景区与阴影区；

S07、去除前景目标块中的阴影区。

2.根据权利要求1所述的视频图像中阴影的处理方法，其特征在于，所述步骤S02中的背景模型基于VIBE算法而构建。

3.根据权利要求1所述的视频图像中阴影的处理方法，其特征在于，所述步骤S04中的图像匹配算法为NCC图像匹配算法。

4.根据权利要求1所述的视频图像中阴影的处理方法，其特征在于，所述步骤S06中的阴影模型为高斯模型，所述高斯模型的公式如下：

$G_I\left(I(x,y)\right)=\exp (-\frac{{(I(x,y)-\mathrm{\&mu;g})}^2}{{\mathrm{\&sigma;}}_g^2})$

所述步骤S06中的重新判断前景目标块的前景区与阴影区的判断公式如下：

$p(x,y)=\left\{\begin{array}{cc}\mathrm{shadow}& |I(x,y)-{\mathrm{\&mu;}}_g|\&le;\mathrm{\&gamma;}*{\mathrm{\&sigma;}}_g\\ \mathrm{foreground}& \mathrm{otherwise}\end{array}\right.$

其中，I(x，y)是像素的光学增益值，μ_g是阴影区像素光学增益均值，σ_g是阴影区像素光学增益值方差，γ为阈值，p(x，y)是前景目标块。

5.根据权利要求4所述的视频图像中阴影的处理方法，其特征在于，所述高斯模型还包括候选区像素点的位置信息，具体公式如下：

$G_2(x,y,I(x,y))=\exp [-(\frac{{(x-{\mathrm{\&mu;}}_x)}^2}{{\mathrm{\&sigma;}}_x^2}+\frac{{(y-{\mathrm{\&mu;}}_y)}^2}{{\mathrm{\&sigma;}}_y^2}+\frac{{(I(x,y)-{\mathrm{\&mu;}}_g)}^2}{{\mathrm{\&sigma;}}_g^2})]$

所述步骤S06中的重新判断前景目标块的前景区与阴影区的判断公式如下：

其中，I(x，y)是像素的光学增益值，μ_g是阴影区像素光学增益均值，σ_g是阴影区像素光学增益值方差，γ为阈值，p(x，y)是前景目标块，μ_x，μ_y为候选阴影区域内x,y轴坐标的均值，σ_x，σ_y为候选阴影区域内x,y轴坐标的方差，γ_x为x坐标上阈值，γ_y为y坐标上的阈值。

6.一种视频图像中阴影的处理装置，其特征在于，包括顺次电连接的图像采集模块、背景图像处理模块、目标块生成模块、目标块区分模块、阴影区选择模块、阴影模型重构模块以及阴影区去除模块；

所述图像采集模块，用于采集具有运动目标的视频图像；

所述背景图像处理模块，用于构建背景模型并对视频图像进行处理，以去除背景图像，留下前景二值图；

所述目标快生成模块，用于提取前景二值图的前景轮廓并对前景轮廓进行区域划分以获取若干前景目标块；

所述目标快区分模块，用于根据图像匹配算法将前景目标块划分为前景区以及阴影区；

所述阴影区选择模块，用于计算阴影区各像素点的光学增益值并过滤得到候选阴影区，所述光学增益值为阴影区中像素点与对应背景像素点灰度值的比值；

所述阴影模型重构模块，用于根据候选阴影区的所有像素点的光学增益值与几何特征构建区域阴影模型并重新判断前景目标块的前景区与阴影区；

所述阴影区去除模块，用于去除前景目标块中的阴影区。