CN104299210A - 基于多特征融合的车辆阴影消除方法 - Google Patents

Abstract

基于多特征融合的车辆阴影消除方法，包括如下步骤：(1)读取图像序列，获取当前帧；(2)进行背景建模，对背景帧和当前帧以帧差法提取车辆前景，对前景进行二值化和形态学处理；(3)对运动目标区域进行阴影评估；(4)对车辆前景区域进行阴影检测，分别基于颜色和边缘特征进行检测，得到多个候选阴影区域；(5)融合多个候选阴影区域，得到最终的阴影区域；(6)在车辆前景区域中，将阴影区域消除，留下真实的目标车辆。本发明提出基于多特征融合的车辆阴影检测算法，基于单个特征的阴影检测方法有其局限性，不能适用于所有交通场景，故融合多个特征实现具有普适性的车辆阴影消除方法。

Description

基于多特征融合的车辆阴影消除方法

技术领域

本发明涉及车辆阴影的检测与消除。

背景技术

随着城市交通的快速发展，传统的交通监控检测手段如线圈检测、红外线传感器检测等，因其检测信息单一，已经不能满足复杂交通管理对多种信息的需求。近年来，智能交通领域得到了蓬勃的发展。

在智能交通监控系统中，基于视频分析技术是利用计算机视觉和图像处理的方法完成对交通信息的获取，在不需要人工干预的情况下，通过对实时视频的分析来实现道路背景的建模、车辆检测与分析、车流量检测、车辆跟踪等。目前车辆检测普遍应用的方法是帧差法提取目标前景。然而在实际应用中，由于光照影响，阴影的存在会影响前景车辆提取的精度，给后续的车辆检测工作造成困难。一方面，车辆阴影和车辆具有相似的运动特征，往往会被误判为车辆；另一方面，如果视频图像中车辆的阴影把多辆车连在一起，会造成车辆的漏检。因此，车辆阴影消除在交通视频检测中是一个重要的环节。

目前常用的阴影消除方法主要有基于模型和基于阴影特征两种。基于模型的方法需要利用场景、运动目标和光照等先验知识建立阴影模型，因此，该方法只适用于一些特定场景。基于阴影特征的方法依赖阴影的几何形状、边缘、颜色或梯度等特征来识别阴影，这类方法能克服基于模型方法的局限性。但是，单独基于某个特征的方法又会各自的缺点，如基于颜色特征的方法不适用于灰度图像的检测，当车辆与阴影颜色相似时还会造成误检；基于边缘特征的方法未考虑阴影区域包含车道标志线、道路边界线等复杂边缘的情况；基于阴影的纹理不变性方法对于纹理特性不明显的车辆区域误检率比较高。

发明内容

本发明所要解决的技术问题是：通过背景建模提取车辆前景，针对前景进行基于多特征融合的方法检测阴影，并将阴影从车辆前景中消除。

为解决以上技术问题，本发明采用如下的技术方案：

基于多特征融合的车辆阴影消除算法，其特征在于，包括如下步骤：

(1)读取图像序列，获取当前帧。

(2)首先采用经典的混合高斯背景建模方法进行背景建模，对背景帧和当前帧以帧差法提取车辆前景，对前景进行二值化和形态学处理(“二值化和形态学处理”已属于现有技术)。

(3)在阴影检测之前，需要对运动目标区域进行阴影评估。假如阴影评估没有达到需要消除阴影的标准，则不需要进行后续的阴影检测和消除步骤，直接读取下一帧图像序列。

(4)对车辆前景区域进行阴影检测，分别基于颜色和边缘特征进行检测，得到多个候选阴影区域。

(5)融合多个候选阴影区域，得到最终的阴影区域。

(6)在车辆前景区域中，将阴影区域消除，留下真实的目标车辆。

本发明的创新点体现在：

1)融合多个阴影特征，弥补单特征方法的不足。

2)基于特定场景进行方法优化。

3)在阴影检测之前进行阴影评估，节省算法运行开销。

附图说明

图1为本发明路口设置的智能摄像头截取的一帧车辆图像。

图2基于多特征融合的车辆阴影消除方法流程。

图3阴影评估公式。

图4基于颜色特征阴影检测公式。

图5基于边缘特征阴影检测流程。

图6阴影消除过程的图像。

具体实施方式

以下结合附图对本发明技术方案作进一步说明。

原理：本发明提出基于多特征融合的车辆阴影检测算法，基于单个特征的阴影检测方法有其局限性，不能适用于所有交通场景，故融合多个特征实现具有普适性的车辆阴影消除方法。

如图1是交通路智能摄像头捕捉的一帧车辆图像，在光照下产生的车辆阴影影响车辆检测和分析中获得的真实车辆信息。

图2是本发明的方法流程图。

如图2所示，在进行阴影检测和消除之前，首先需要预处理，预处理过程包括运动目标检测和阴影评估。算法整体流程为：通过视频图像序列建立背景模型，从而检测运动目标区域。在阴影检测之前，需要对运动目标区域进行阴影评估。假如阴影评估没有达到需要消除阴影的标准，则不需要进行后续的阴影检测和消除步骤，直接读取下一帧图像序列，从而节省算法运行时间开销。在通过阴影评估标准后，利用RGB颜色空间和边缘特征对运动目标区域进行阴影检测，最后融合两个特征检测的阴影并且实现阴影消除。

阴影评估公式如图3，其中：

在阴影评估过程中，引入光照强度E_b、阴影强度E_d、阴影比例R_d。光照越强，阴影越明显，所以光照强度越大，表示出现阴影的可能越大。式中：b代表光亮，d代表阴影，S_j是光照或阴影区域集合，n_j是S_j的像素总数，e_i是像素的能量强度。I代表光照强度，N_i代表相应像素集合，n代表N_i像素总数。n_d代表阴影区域像素总数，n_b代表光照区域像素总数，R_d是阴影比例系数。R_d越大表示阴影区域在图像中比例越大。只有当E_b和R_d同时达到阴影检测标准，才进行后续的阴影检测和消除，否则直接处理下一帧图像序列。

基于颜色特征阴影检测的公式如图4，其中：

阴影的强度比背景的强度要小，在阴影中的RG两个分量的反射较B分量的反射强，并且阴影覆盖的背景区域，其蓝色分量增加、红色分量减少。可根据这个阴影的颜色特征得到候选阴影区域。式中x_b,y_b是相对应的背景像素，b₁,b₂,b₃为RGB三个分量差的阈值，S_c是候选阴影区域。

图5是基于边缘特征阴影检测的流程图。

如图5所示，首先需要检测目标区域的边缘，然后去除外轮廓边缘，保留车辆内部边缘，在填充内部边缘之后，最终完成阴影提取。

图6是阴影消除过程的车辆图像。图中依次是原图像、检测到的运动目标前景、算法检测到的车辆阴影、阴影消除后的车辆前景。

综上所述，整个实现流程概括为：

1)背景建模，车辆目标前景提取。

2)阴影评估。

3)基于多特征融合的方法对车辆前景进行阴影检测。

4)融合候选阴影区域。

5)消除阴影区域。

Claims (1)

1.基于多特征融合的车辆阴影消除算法，其特征在于，包括如下步骤：

(1)读取图像序列，获取当前帧；

(2)首先采用经典的混合高斯背景建模方法进行背景建模，对背景帧和当前帧以帧差法提取车辆前景，对前景进行二值化和形态学处理；

(3)在阴影检测之前，需要对运动目标区域进行阴影评估；假如阴影评估没有达到需要消除阴影的标准，则不需要进行后续的阴影检测和消除步骤，直接读取下一帧图像序列；

(4)对车辆前景区域进行阴影检测，分别基于颜色和边缘特征进行检测，得到多个候选阴影区域；

(5)融合多个候选阴影区域，得到最终的阴影区域；

(6)在车辆前景区域中，将阴影区域消除，留下真实的目标车辆。