CN105913441B - 一种用于改善视频中目标检测性能的阴影去除方法 - Google Patents
一种用于改善视频中目标检测性能的阴影去除方法 Download PDFInfo
- Publication number
- CN105913441B CN105913441B CN201610266506.6A CN201610266506A CN105913441B CN 105913441 B CN105913441 B CN 105913441B CN 201610266506 A CN201610266506 A CN 201610266506A CN 105913441 B CN105913441 B CN 105913441B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- central point
- value
- target
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于改善视频中运动目标检测性能的阴影去除方法,涉及智能视频监控、目标检测与跟踪等领域。方法包括:采用背景建模法ViBe提取视频图像的背景和运动前景;利用改进的简单线性迭代聚类算法将视频图像中的运动区域分割为若干超像素;以超像素为基本处理单元,计算RGB颜色空间中背景与运动前景的亮度比率;利用目标与阴影区域亮度比率的取值范围不同初步检测阴影候选区域;计算阴影候选区域中各超像素范围内3通道亮度比率的离散程度,并用标准差来表示;利用阴影区域标准差的特征及其分布规律自适应检测并去除阴影,获得真实的目标图像。本发明不需要基于任何关于场景或目标的先验知识,基于超像素处理大幅度降低了方法的计算复杂度,采用自适应阈值分割目标与阴影,可以适用于多种真实场景下的阴影去除而无需人工干预。
Description
技术领域
本发明涉及一种目标检测技术,尤其是涉及一种视频中运动目标的阴影去除方法。
背景技术
运动目标检测是许多智能视频分析系统的基础环节,如人流量统计,行人重识别,跟踪,行为分析等。由于环境光照的影响,目标投射到地面的阴影会引起目标合并、形变甚至丢失,造成目标误检或漏检,并进一步造成视频后续处理环节失败。因此,研究投射阴影的检测与去除方法具有重要意义。
阴影去除可以有效提高目标检测的准确率,现有阴影去除方法根据其使用的特征可分为四类:几何法、物理法、颜色法、纹理法。其中,几何法是通过假定场景中只存在单一光源,利用光源、地面、目标三者的几何关系确定阴影的位置,但前提是场景和目标形状固定。物理法是根据光源和地面的物理属性,利用亮度衰减后验概率模型检测阴影,适用于目标与阴影光谱特征相差较大的场景。颜色法和纹理法是目前使用较多的方法。颜色法主要基于阴影区域亮度变暗而颜色保持不变的假设检测阴影。但是,当目标与阴影颜色差别较小时,基于颜色特征的阴影去除算法会造成目标内部空洞或者有阴影残留。纹理法是基于阴影与相应背景区域纹理相似的假设来去除阴影,但当监控视频中目标较小或背景纹理丰富时,目标与背景的纹理差别不大,很难去除阴影。近来,基于颜色和纹理相结合的方法相继被提出,首先将图像分割为互不重叠的子区域,并提取子区域的颜色和纹理特征,利用监督分类的方法区分阴影与目标。将颜色和纹理相结合的方法提升了阴影检测精度,但其计算量也相对增加,而且基于监督分类的方法需要人工标注训练样本,具有一定的局限性。
发明内容
本发明的目的是为解决上述问题而提供一种通用性强、效果好的用于改善视频中运动目标检测性能的阴影去除方法。
本发明通过以下技术方案来实现上述目的:
一种用于改善视频中运动目标检测性能的阴影去除方法,主要包括以下步骤:
1、采用背景建模法ViBe(Visual Background extractor)提取RGB视频图像的背景和运动前景。
2、将原始RGB视频图像转换至CIELAB颜色空间。如果当前待处理图像是视频第一帧,按间距(N是图像中像素点数,M是待分割的超像素数)均匀选取像素作为超像素的中心点Cm={lm,am,bm,xm,ym},m∈[1,M],l∈[-100,+100],(a,b)∈[-128,+127],l表示像素的亮度值,a,b表示像素的颜色值,(x,y)表示像素的坐标。计算以Cm为中心的3×3邻域像素的梯度值,并将中心点移动到梯度值最小的位置;否则,用前一帧的中心点数据加上一定的位置噪声初始化当前帧中超像素的中心点,即C'm={lm,am,bm,(xm+noise),(ym+noise)},noise表示随机产生的高斯噪声。赋予每一个中心点一个单独的标签。
3、计算任一像素点p(x,y)与以其为中心的2S×2S邻域内的中心点Cm的颜色距离dlab和空间距离dxy: 并计算p(x,y)与Cm的距离dS:dS(p(x,y),p(xm,ym))=dlab(p(x,y),p(xm,ym))+λdxy(p(x,y),p(xm,ym)),是空间距离的权重,n为控制超像素大小一致性的参数,n∈[1,20],将与像素点距离最小的中心点的标签赋给p(x,y)。
4、计算具有相同标签的像素及其坐标的平均值将作为超像素新的中心点。计算新旧中心点的迭代残差:若E小于给定阈值Thrd则结束迭代,否则重复步骤2和步骤3。
5、将面积较小的超像素的标签用其周围面积最大的超像素的标签来代替。若超像素边缘超出了运动前景的边缘,则将其边缘像素修正为运动运动前景对应的边缘像素。
6、将CIELAB视频图像转换为RGB颜色空间。获得视频图像的超像素后,只对属于运动区域的超像素进行处理。计算背景亮度与运动前景亮度的比率C表示R、G、B三通道,b、f分别表示背景和前景。若RC(x,y)<1,则将该像素所属的超像素标记为真实目标区域O,否则标记为候选阴影区域S'。
7、计算候选阴影区域S'中超像素sk(k∈[1,K],K是S'中超像素个数)内RC(x,y)的均值uC与标准差σC: 将标准差按大小排序,计算排序后相邻标准差的差值difC(k):difC(k)=σC(sk+1)-σC(sk),以及差值的平均值(dif_avg)C:若difC(m)<(dif_avg)C,则定义阈值δC=σC(sk)。若超像素sk满足:σC(sk)<δC,则将sk标记为阴影区域S,否则标记为O。
8、返回步骤1,进行下一帧图像处理。
本发明对利用视频前一帧的超像素中心数据估计当前帧的超像素的中心点,能够明显减少超像素分割时的迭代次数,并利用运动前景的边缘信息修正超像素分割的目标边缘,显著提高了超像素分割准确率。
本发明方法基于超像素对图像进行处理,降低了计算复杂度,提高了算法处理速度。
本发明方法提出使用超像素范围内背景与运动前景的亮度比率的标准差及其分布规律检测并去除阴影,提高了目标检测的准确率。
本发明方法提出基于亮度比率标准差的拐点的自适应阈值算法,增强了算法的环境适应性。
本发明方法易于在软件平台实现且运算量小,实时性高。
附图说明
图1-a为原始RGB彩色阴影图像,图1-b和图1-c分别为ViBe提取的彩色背景和运动前景的二值图像;
图2为运动前景超像素分割结果图像;
图3-a、图3-b和图3-c分别为R、G、B三通道超像素范围内亮度比率标准差分布图像;
图4为阴影去除后真实运动目标的二值图像;
具体实施方式
下面结合附图实例对本发明作进一步详细说明,有必要指出的是,以下的实施例只用于对本发明做进一步的说明,不能理解为对本发明保护范围的限制,所属领域技术熟悉人员根据上述发明内容,对本发明做出一些非本质的改进和调整进行具体实施,应仍属于本发明的保护范围。
本发明提出的一种用于改善视频中运动目标检测性能的阴影去除方法,其包括以下步骤:
1、采用背景建模法ViBe(Visual Background extractor)提取RGB视频图像的背景和运动前景。
在此具体实施实例中图1-a为原始RGB视频图像,采用背景建模法ViBe提取的背景为图1-b所示,运动前景二值图像为图1-c所示。
2、将原始RGB视频图像转换至CIELAB颜色空间。如果当前待处理图像是视频第一帧,按间距(N是图像中像素点数,M是待分割的超像素数)均匀选取像素作为超像素的中心点Cm={lm,am,bm,xm,ym},m∈[1,M],l∈[-100,+100],(a,b)∈[-128,+127],l表示像素的亮度值,a,b表示像素的颜色值,(x,y)表示像素的坐标。计算以Cm为中心的3×3邻域像素的梯度值,并将中心点移动到梯度值最小的位置;否则,用前一帧的中心点数据加上一定的位置噪声初始化当前帧中超像素的中心点,即,C'm={lm,am,bm,(xm+noise),(ym+noise)},noise表示随机产生的高斯噪声。赋予每一个中心点一个单独的标签。
在此,图1-a所示原始RGB视频图像中像素点数N=320*240,待分割的超像素数M=200,根据求得S=384。
3、计算任一像素点p(x,y)与以其为中心的2S×2S邻域内的中心点Cm的颜色距离dlab和空间距离dxy: 并计算p(x,y)与Cm的距离dS:dS(p(x,y),p(xm,ym))=dlab(p(x,y),p(xm,ym))+λdxy(p(x,y),p(xm,ym)),是空间距离的权重,n为控制超像素大小一致性的参数,n∈[1,20],实例中,n取10,将与像素点距离最小的中心点的标签赋给p(x,y)。
4、计算具有相同标签的像素及其坐标的平均值将作为超像素新的中心点。计算新旧中心点的迭代残差:若E小于给定阈值Thrd,其中Thrd=0.25,则结束迭代,否则重复步骤2和步骤3。
5、将面积较小的超像素的标签用其周围面积最大的超像素的标签来代替。若超像素边缘超出了运动前景的边缘,则将其边缘像素修正为运动前景对应的边缘像素。将视频图像分割为若干超像素后,提取运动前景的超像素分割结果,如图2所示。
6、将CIELAB视频图像转换为RGB颜色空间。获得视频图像的超像素后,只对图2中运动前景的超像素进行处理。计算背景亮度与运动前景亮度的比率C表示R、G、B三通道,b、f分别表示背景和前景。若RC(x,y)<1,则将该像素所属的超像素标记为真实目标区域O,否则标记为候选阴影区域S'。
7、计算候选阴影区域S'中超像素sk(k∈[1,K],K是S'中超像素个数)内RC(x,y)的均值uC与标准差σC: 将R、G、B三通道的标准差按大小排序,如图3-a、3-b、3-c所示,属于阴影区域的σC(sk)间变化平缓,且从阴影区域过渡到目标区域时σC(sk)的值会出现一个明显的拐点。自适应计算拐点的位置:首先计算排序后相邻标准差的差值difC(k):difC(k)=σC(sk+1)-σC(sk),然后计算差值的平均值(dif_avg)C:若difC(m)<(dif_avg)C,则定义阈值δC=σC(sk)。此实例中对应图3-a、3-b、3-c的σC(sk),拐点均位于图中的第49个点处,且三通道阈值分别为:δR=0.38,δG=0.38,δB=0.38。若超像素sk满足:σC(sk)<δC,则将sk标记为阴影区域S,否则标记为O。阴影去除后真实运动目标的二值图像如图4所示。
8、返回步骤1,进行下一帧图像处理。
Claims (1)
1.一种用于改善视频图像目标检测性能的阴影去除方法,其特征在于包括以下步骤:
(1)采用背景建模法ViBe提取RGB视频图像的背景和运动前景;
(2)将原始RGB视频图像转换至CIELAB颜色空间;如果当前待处理图像是视频第一帧,按间距均匀选取像素作为超像素的中心点Cm={lm,am,bm,xm,ym},m∈[1,M],l∈[-100,+100],(a,b)∈[-128,+127],其中N是图像中像素点数,M是待分割的超像素数,l表示像素的亮度值,a,b表示像素的颜色值,(x,y)表示像素的坐标;计算以Cm为中心的3×3邻域像素的梯度值,并将中心点移动到梯度值最小的位置;否则,用前一帧的中心点数据加上一定的位置噪声初始化当前帧中超像素的中心点,即C'm={lm,am,bm,(xm+noise),(ym+noise)},noise表示随机产生的高斯噪声;赋予每一个中心点一个单独的标签;
(3)计算任一像素点p(x,y)与以其为中心的2S×2S邻域内的中心点Cm的颜色距离dlab和空间距离dxy: 并计算p(x,y)与Cm的距离dS:dS(p(x,y),p(xm,ym))=dlab(p(x,y),p(xm,ym))+λdxy(p(x,y),p(xm,ym)),是空间距离的权重,n为控制超像素大小一致性的参数,n∈[1,20],将与像素点距离最小的中心点的标签赋给p(x,y);
(4)计算具有相同标签的像素及其坐标的平均值将作为超像素新的中心点;计算新旧中心点的迭代残差:若E小于给定阈值时停止迭代,进入步骤(5),否则,重复步骤(3)和步骤(4),不断更新计算对应的E值,直至E小于给定阈值;
(5)将面积较小的超像素的标签用其周围面积最大的超像素的标签来代替;若目标的超像素边缘超出了运动前景的边缘,则将其边缘像素修正为运动前景对应的边缘像素;
(6)将CIELAB视频图像转换为RGB颜色空间;获得视频图像的超像素后,只对属于运动区域的超像素进行处理;计算背景亮度与运动前景亮度的比率C表示R、G、B三通道,b、f分别表示背景和前景;若RC(x,y)<1,则将该像素所属的超像素标记为真实目标区域O,否则标记为候选阴影区域S';
(7)计算候选阴影区域S'中超像素sk内RC(x,y)的均值uC与标准差σC:其中k∈[1,K],K是S'中超像素个数,将标准差进行排序,计算排序后相邻标准差的差值difC(k):difC(k)=σC(sk+1)-σC(sk),以及差值的平均值(dif_avg)C:若difC(k)<(dif_avg)C,则定义阈值δC=σC(sk);若超像素sk满足:σC(sk)<δC,则将sk标记为阴影区域S,否则标记为O;
(8)返回步骤(1),进行下一帧图像处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610266506.6A CN105913441B (zh) | 2016-04-27 | 2016-04-27 | 一种用于改善视频中目标检测性能的阴影去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610266506.6A CN105913441B (zh) | 2016-04-27 | 2016-04-27 | 一种用于改善视频中目标检测性能的阴影去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913441A CN105913441A (zh) | 2016-08-31 |
CN105913441B true CN105913441B (zh) | 2019-04-19 |
Family
ID=56752932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610266506.6A Active CN105913441B (zh) | 2016-04-27 | 2016-04-27 | 一种用于改善视频中目标检测性能的阴影去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913441B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109151376B (zh) * | 2017-06-27 | 2021-09-28 | 南京东大智能化系统有限公司 | 一种智能视频分析监控方法 |
CN107862667B (zh) * | 2017-11-23 | 2019-12-24 | 武汉大学 | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 |
CN108961345B (zh) * | 2018-06-01 | 2021-02-23 | 沈阳普泽众康医药科技有限公司 | 一种尿液试纸中有效颜色的确定方法及确定装置 |
CN109300165B (zh) * | 2018-09-14 | 2022-08-30 | 南京邮电大学 | 一种基于像素特征的新型目标追踪定位方法 |
CN110059591B (zh) * | 2019-04-01 | 2021-04-16 | 北京中科晶上超媒体信息技术有限公司 | 运动目标区域的识别方法 |
CN110264422B (zh) * | 2019-06-14 | 2020-12-08 | 西安电子科技大学 | 基于ViBe模型消除光学闪烁像素的光学图像处理方法 |
CN111681151A (zh) * | 2020-04-14 | 2020-09-18 | 海南车智易通信息技术有限公司 | 一种图像水印检测方法、装置和计算设备 |
CN111881837B (zh) * | 2020-07-29 | 2023-06-09 | 中国人民解放军国防科技大学 | 基于阴影提取的视频sar运动目标检测方法 |
CN114202496A (zh) * | 2020-09-02 | 2022-03-18 | 苏州科瓴精密机械科技有限公司 | 图像阴影检测方法、系统、图像分割设备及可读存储介质 |
CN112258548B (zh) * | 2020-10-20 | 2024-03-29 | 东南大学 | 基于改进ViBe算法的运动目标提取方法 |
CN114971995B (zh) * | 2022-05-19 | 2024-03-29 | 辽宁师范大学 | 一种基于超像素排序和边缘类型自适应预测的rdh方法 |
CN115359237B (zh) * | 2022-10-19 | 2023-03-24 | 镭戈斯智能装备江苏有限公司 | 一种基于图形识别的齿轮断齿识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
-
2016
- 2016-04-27 CN CN201610266506.6A patent/CN105913441B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Cast shadow segmentation using invariant color features;Elena Salvador 等;《Computer Vision and Image Understanding》;20040602;第95卷(第2期);238-259 |
城市航空影像中基于颜色恒常性的阴影消除;叶勤 等;《光电子·激光》;20101130;第21卷(第11期);1706-1712 |
基于色度偏差和亮度偏差的运动目标检测方法;张宗杰 等;《计算机仿真》;20081031;第25卷(第10期);194-196,201 |
Also Published As
Publication number | Publication date |
---|---|
CN105913441A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913441B (zh) | 一种用于改善视频中目标检测性能的阴影去除方法 | |
Wang et al. | Recognition and drop-off detection of insulator based on aerial image | |
CN105809716B (zh) | 融合超像素与三维自组织背景减除法的前景提取方法 | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
Mirghasemi et al. | A target-based color space for sea target detection | |
CN109918971A (zh) | 监控视频中人数检测方法及装置 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN112364865A (zh) | 一种复杂场景中运动小目标的检测方法 | |
Wu et al. | Video surveillance object recognition based on shape and color features | |
Shiting et al. | Clustering-based shadow edge detection in a single color image | |
Mandal et al. | Image segmentation using local thresholding and Ycbcr color space | |
Fu et al. | An effective background subtraction method based on pixel change classification | |
Wang et al. | An efficient method of shadow elimination based on image region information in HSV color space | |
Ding et al. | Traffic image dehazing based on HSV color space | |
Zhang et al. | Moving object detection of assembly components based on improved background subtraction algorithm | |
Li et al. | Image object detection algorithm based on improved Gaussian mixture model | |
Chen et al. | Research on image technology with algorithm of image threshold segmentation based on gray level characteristics | |
Yang et al. | A hierarchical approach for background modeling and moving objects detection | |
Miao et al. | Video smoke detection algorithm using dark channel priori | |
CN112949367A (zh) | 基于视频流数据的工作服颜色检测方法及装置 | |
CN110599517A (zh) | 一种基于局部特征和全局hsv特征组合的目标特征描述方法 | |
Liu et al. | Self-adaptive visual background extraction with ghost regions elimination | |
CN109544556A (zh) | 一种图像特征提取方法 | |
Dong et al. | Moving targets detection based on improved single gaussian background model | |
Zhang et al. | Moving cast shadow detection based on regional growth |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |