CN106373096A - 一种多特征权值自适应的阴影消除方法 - Google Patents

Abstract

本发明公开了一种多特征权值自适应的阴影消除方法。本发明首先获取待处理视频帧图像的背景图像及初始前景区域，然后基于其获取色度、光谱方向和纹理特征的前景掩膜，并从不同角度切入，设置前景分割图像的质量评价函数，对不同特征下的前景掩膜进行质量评估，根据评估的结果设置三种前景掩膜的融合系数并进行加权融合得到对应的时域前景概率谱，通过时域相关性对当前的检测结果进行约束，实现了一种基于多特征的权值自适应的车辆阴影消除方法。本发明避免了单一特征或者多特征级联方法中特征间无法相互弥补各自不足的问题。在尽可能提取出所有阴影的同时，降低了阴影的误检，更加完整、准确地消除车辆阴影。

Description

一种多特征权值自适应的阴影消除方法

技术领域

本发明属于智能交通和计算机视觉技术领域，具体涉及一种基于时空多特征融合的视频车辆阴影去除方法。

背景技术

车辆消除方法是智能交通和计算机视觉等邻域的关键技术，是该邻域的一个重要的研究方向。车辆前景检测作为智能交通系统中的前期处理环节，对整个系统有着至关重要的作用。在目标运动的过程中，由于阴影形成的车辆粘连和不精细的轮廓都严重影响车辆的检测，为后续的处理也带来了极大的困难。因此研究阴影检测和消除方法具有重要的意义。

针对交通监控视频序列，现在的车辆阴影消除方法通常是基于视频图像中的单一特征或多个特征图像级联的方法。典型的方法有Cucchiara方法、Huang方法和Sanin方法。Cucchiara方法提出一种假设：阴影的亮度分量是背景亮度分量的线性衰减，而两者拥有相近的色度分量。基于该假设，通过将图像转换到HSV空间下进行图像亮度与色度的分离，将满足假设的像素判定为阴影。此类方法的计算复杂度低且能最大化地筛选出目标阴影的候选集合，但基于像素级的图像颜色比较，对于色度与背景相近的前景目标会造成大量误检。Huang方法基于双光源双色反射模型对阴影像素进行大量实验，统计发现阴影像素与背景像素在光谱方向上一致性显著。分别提取阴影和背景的光谱方向特征并利用GMM(高斯混合模型)进行特征聚类得到阴影模型，通过计算前景像素与阴影模型匹配度判别阴影。在颜色特征的基础上增加了GMM的聚类，使得方法拥有更加优秀的阴影辨识率，但是本质上是基于颜色的方法，因此同样存在车辆颜色与背景相近时造成前景的空洞。Sanin方法基于阴影与背景具有相同或者相近的纹理特征。在利用颜色特征计算候选阴影区域后，分别提取前景和背景中的候选阴影区域的梯度纹理特征并进行对比，相似度较小的判定为阴影。该方法对参考背景图像的纹理还原度要求较高，在背景重建过程中造成纹理损失的情况下，该方法容易形成大范围的漏检。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于时空多特征的车辆阴影消除方法。本发明从不同角度切入，设置前景分割图像的质量评价函数，对不同特征下的前景掩膜进行质量评估，根据评估结果为每种特征图像计算权重系数并进行加权融合。通过时域相关性对当前的检测结果进行约束，实现了一种基于多特征的权值自适应的车辆阴影消除方法。避免了单一特征或者多特征级联方法中特征间无法相互弥补各自不足的问题。通过动态评估分割结果并更新相应的权重系数，增强了系统的自适应能力。尽可能提取出所有阴影的同时，降低了阴影的误检，更加完整、准确地消除车辆阴影。

本发明的基于时空多特征融合的车辆阴影消除方法，包括以下步骤：

步骤1：输入待处理视频帧I；

步骤2：对当前视频帧I的背景进行建模，得到背景图像B并计算对应的初始前景区域F₀；

步骤3：分别计算色度、光谱方向、纹理三种特征的前景掩膜F_chr、F_phy、F_tex；

步骤301：计算色度的特征的前景掩膜F_chr。

将视频帧I和背景图像B转换到色彩空间W，色彩空间W包括图像的亮度、色度信息，在色彩空间W的选择上，只要能够较好分离图像色度和亮度的色彩空间皆可，比如HSV色彩空间；

对初始前景区域F₀中的任意像素(x,y)计算视频帧I和背景图像B中的亮度比其中I^V(x,y)、B^V(x,y)表示视频帧I和背景图像B中像素(x,y)的亮度分量；

以及计算视频帧I和背景图像B中以任意像素(x,y)为中心、k1(预设经验值)为半径的邻域的色度分量差分均值其中表示视频帧I和背景图像B中像素(x,y)的邻域内所有像素的色度分量累加和；

根据亮度比V_ratio、C_avg计算色度特征的的阴影掩膜S_chr以及对应的前景F_chr：

对任意像素(x,y)，若α≤V_ratio≤β，且C_avg≤τ_C，则阴影掩膜S_chr中对应像素值S_chr(x,y)＝1；否则S_chr(x,y)＝0，其中α、β分别表示亮度阈值的下限、上限，τ_C表示色度阈值，α、β、τ_C为预设经验值；

对任意像素(x,y)，若S_chr(x,y)＝0且F₀(x,y)＝1，则前景掩膜F_chr中对应像素值F_chr(x,y)＝1；否则F_chr(x,y)＝0，其中F₀(x,y)表示初始前景区域F₀中像素(x,y)的像素值；

步骤302：计算光谱方向特征的前景掩膜F_phy：

对于初始前景区域F₀中的任意前景像素(x,y)，计算(x,y)在视频帧I和背景图像B中RGB三个色彩通道的差分向量v(x,y)、以及v(x,y)与B(x,y)的模之比α(x,y)、v(x,y)的G分量v^G(x,y)与R分量v^R(x,y)的夹角θ(x,y)、以及B分量与v(x,y)模的夹角形成光谱方向特征其中

对初始前景区域F₀中任意前景像素的光谱方向特征f(x,y)聚类得到阴影模型M_s(μ,σ²)，并计算基于光谱方向的阴影掩膜S_phy以及前景掩膜F_phy：

对任意像素(x,y)，若||f(x,y)-μ||＜σ²，则阴影掩膜S_phy中对应像素值S_phy(x,y)＝1；否则S_phy(x,y)＝0，其中，μ,σ²分别表示M_s(μ,σ²)的均值和方差；

对任意像素(x,y)，若S_phy(x,y)＝0且F₀(x,y)＝1，则前景掩膜F_phy中对应像素值F_phy(x,y)＝1；否则F_phy(x,y)＝0；

步骤303：计算纹理特征的前景掩膜F_tex。

将初始前景区域F₀转换到色彩空间W；

根据视频帧I和背景图像B中像素(x,y)的亮度分量I^V(x,y)、B^V(x,y)，以及色度分量I^C(x,y)、B^C(x,y)计算初选阴影掩膜S_W：

若I^V(x,y)＜B^V(x,y)且|I^C(x,y)-B^C(x,y)|＜T_C，则初选阴影掩膜S_W中对应像素值S_W(x,y)＝1；否则S_W(x,y)＝0，其中T_C表示色度差阈值(预设经验值)；

计算频帧I和背景图像B的边缘图像I_edge和B_edge，并差分得到前景边缘像素集合F_edge；根据F_edge优化初选阴影S_W得到边缘阴影掩膜S_edge：

对任意像素(x,y)，若S_hsv(x,y)＝1且则边缘阴影掩膜S_edge中对应像素值S_edge(x,y)＝1；若S_hsv(x,y)∈Ω_k2(u,v)，则S_edge(x,y)＝0，其中Ω_k2(u,v)表示以F_edge(u,v)为中心、k2(预设经验值)为半径的邻域，F_edge(u,v)表示前景边缘像素集合F_edge中的任意像素(u,v)；

计算边缘阴影掩膜S_edge中每个连通域的前景与背景的梯度纹理特征夹角其中▽_x，▽_y分别表示水平和竖直方向的梯度，上标F和B分别用于区分前景与背景；

统计S_edge中每个连通域中纹理特征与背景相近的像素及其所占比例其中n表示连通域像素总数，τ_α表示相似像素的数量阈值(预设经验值)，H(·)表示阶跃函数；

计算纹理特征的阴影掩膜S_tex对应的前景掩膜F_tex：

对任意像素(x,y)，若d＞T_tex，则阴影掩膜S_tex中对应像素值S_tex(x,y)＝1；否则S_tex(x,y)＝0，其中T_tex表示相似度阈值(预设经验值)；

对任意像素(x,y)，若S_tex(x,y)＝1且F₀(x,y)＝1，则前景掩膜F_tex中对应像素值F_tes(x,y)＝1；否则F_tes(x,y)＝0；

步骤4：设置前景掩膜F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex：

401：根据m∈{chr,phy,tex}分别计算前景掩膜F_chr、F_phy、F_tex的相似性指标Q_con，其中C_Sm表示m在S中的补集，函数f(·)表示图像特征，距离函数dist(f₁,f₂)用于计算两个图像特征的向量的距离：N表示图像特征的维数，即N＝|f₁|＝|f₂|。

将任意的前景掩膜(分割结果)F_m与其它结果两两求特征距离并累加得到与其它分割结果的总特征距离，用该距离描述F_chr、F_phy、F_tex的前景相似性，Q_con越小，代表当前的分割结果与其它分割结果的差异越小，分割质量越高。

402：根据公式m∈{chr,phy,tex}分别计算前景掩膜F_chr、F_phy、F_tex的边缘平滑性指标Q_edge，其中，Corners(F_m)和Edges(F_m)分别表示分割结果F_m的角点集合以及边缘点集合；|·|表示集合元素的数量。Q_edge越小，代表边缘上的角点越少，边缘越平滑，分割质量越高。

403：根据公式分别计算前景掩膜F_chr、F_phy、F_tex的区域完整性指标Q_com，其中，A_i表示第i个连通域的面积，A_max表示最大连通域的面积，T_area为预设面积比例阈值(预设经验值)。N为连通域总数量，H(·)表示阶跃函数。Q_com表示分割结果中面积超过A_max x T_area的连通域的比例，该比例越大说明分割结果的碎片区域越少，区域完整性越高。

403：根据公式m∈{chr,phy,tex}分别计算F_chr、F_phy、F_tex的综合指标Q。

404：根据综合指标Q设置F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex，即m∈{chr,phy,tex}。

步骤5：根据前景掩膜F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex进行加权求和得到空域前景概率谱图像M_prob＝∑_{m∈{chr,phy,tex}}ω_m×F_m。步骤6：基于空域前景概率谱图像M_prob计算时域前景概率普M_prob(t)：

基于大小为w的时间滑动窗口，对窗口内的空域前景概率谱进行时域滤波，计算出当前时刻t的空域前景概率谱图像，即时域前景概率普其中ω_i表示(t-i)时刻空域前景概率谱对应的权值：若i＜w-1，则ω_i＝1/2ⁱ⁺¹；否则ω_i＝1/2^w；

步骤7：计算最终前景掩膜F_final，完成对车辆阴影的消除处理：

比较时域前景概率普M_prob(t)与前景置信度阈值T_c(预设经验值)，计算出当前时刻t的空域前景概率谱图像的最终前景掩膜F_final(t)：若M_prob(t)＞T_c，则F_final(t)＝1；否则F_final(t)＝0。

由于采用了上述技术方案，本发明的有益效果是：

在计算色度特征的前景掩膜时，本发明以区域(半径为k1的邻域)为差分均值作为判别依据相比现有的以像素差值作为依据的方法，能大幅度增加了抗噪声的能力；

在计算边缘阴影掩膜S_edge时，利用前景和背景的边缘图像差分得到只包含前景边缘的图像F_edge，相比于已有方法，本发明利用F_edge进一步缩小了候选阴影区域的范围，降低了阴影错检的可能性；

同时，根据动态评估结果(综合指标Q)设置色度、光谱方向、纹理三种特征的前景掩膜的融合权值，增强了系统的自适应能力。基于三种特征的前景掩膜的加权融合得到空域多特征前景概率谱图像，对其进行时域滤波以完成对车辆阴影的消除。时域滤波能够对相邻帧的阴影消除结果进行平滑处理，使得整个时间轴上大部分视频帧的阴影消除效果维持在可观的范围内。与现有的使用单一特征或者多种特征级联的方法相比，能克服现有方式因无法充分保留每种特征自身优势，特征之间无法互相弥补各自的不足，而导致最终的阴影消除效果本质上仍然只受其中某一种特征的影响的不足，本发明利用色度特征得到绝大部分的阴影候选区域，引入光谱方向以及纹理信息用于减少色度特征产生的大量误检。在维持较高的阴影检测率的同时提高了阴影的辨识率，最大化地保留了前景区域的完整性。

综上，本发明避免了单一特征或者多特征级联方法中特征间无法相互弥补各自不足的问题。通过动态评估分割结果并更新相应的权重系数，增强了系统的自适应能力。尽可能提取出所有阴影的同时，降低了阴影的误检，更加完整、准确地消除车辆阴影。

附图说明

图1是本发明的具体实施流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

参见图1，本发明的基于时空多特征的车辆阴影消除方法，包括下列步骤：

步骤1：输入待处理的视频帧I；

步骤2：对当前视频帧I(以下简称图像I)的背景进行建模，得到背景图像B并计算对应的初始前景区域F₀。

步骤3：分别计算色度、光谱方向、纹理三种特征的前景掩膜F_chr，F_phy，F_tex。

步骤301：计算色的特征的前景掩膜F_chr。

在计算色度特征的前景掩膜时，本实施例以HSV色彩空间为例，即将图像I和图像B转换到HSV色彩空间，并对初始前景区域F₀中的任意像素p(x,y)，计算图像I和B中的亮度比其中上标“V”表示HSV色彩空间的亮度分量，I^V(x,y)、B^V(x,y)表示图像I、B中像素(x,y)的亮度分量；

以及计算图像I与B中以像素p(x,y)为中心，k1为半径的邻域的色调分量的差分均值饱和度分量的差分均值其中上标“H”、“S”分别表示HSV色彩空间的色调和饱和度。与分别代表图像I和B中p(x,y)邻域内所有像素的色调分量累加和，与分别代表图像I和B中p(x,y)邻域内所有像素的饱和度分量累加和。邻域半径k1为经验预设值，通常取3～5。

根据得到的亮度比V_ratio、色调分量的差分均值H_avg和饱和度分量的差分均值S_avg计算基于色度特征的阴影掩膜S_chr以及对应的前景F_chr：

对任意像素(x,y)，若α≤V_ratio≤β，且H_avg≤τ_H和∧S_avg≤τ_S同时满足，则阴影掩膜S_chr中对应像素值S_chr(x,y)＝1；否则S_chr(x,y)＝0；

对任意像素(x,y)，若S_chr(x,y)＝0且F₀(x,y)＝1，则前景掩膜F_chr中对应像素值F_chr(x,y)＝1；否则F_chr(x,y)＝0，其中F₀(x,y)表示初始前景区域F₀中像素(x,y)的像素值。

其中，α、β分别代表亮度阈值的下限、上限，通常取值范围可设置为α∈[0.1,0.4]、β∈[0.5,1]。τ_H、τ_S为色调阈值和饱和度阈值，通常取值范围可设置为τ_H∈[45,65]、τ_S∈[35,50]。

步骤302：计算光谱方向特征的前景掩膜F_phy。

对于初始前景区域F₀中的任意前景像素p(x,y)，计算p(x,y)在图像I与B中RGB三个色彩通道的差分向量v(x,y)、以及v(x,y)与B(x,y)的模之比α(x,y)、v(x,y)的G分量v^G(x,y)与R分量v^R(x,y)的夹角θ(x,y)、以及B分量与v(x,y)模的夹角形成光谱方向特征其中

对F₀中任意前景像素的光谱方向特征f(x,y)聚类得到阴影模型M_s(μ,σ²)，并计算基于光谱方向的阴影掩膜S_phy以及前景掩膜F_phy：

对任意像素(x,y)，若||f(x,y)-μ||＜σ²，则阴影掩膜S_phy中对应像素值S_phy(x,y)＝1；否则S_phy(x,y)＝0，其中，μ,σ²分别代表M_s(μ,σ²)的均值和方差；

对任意像素(x,y)，若S_phy(x,y)＝0且F₀(x,y)＝1，则前景掩膜F_phy中对应像素值F_phy(x,y)＝1；否则F_phy(x,y)＝0。

步骤303：计算纹理特征的前景掩膜F_tex。

在计算色度特征的前景掩膜时，可将初始前景区域F₀也转换到HSV色彩空间再进行具体计算处理。首先根据F₀中任意前景像素p(x,y)的亮度分量和色调分量计算初选阴影掩膜S_hsv：

对任意像素(x,y)，若I^V(x,y)＜B^V(x,y)且I^H(x,y)-B^H(x,y)|＜T_h，则初选阴影掩膜S_hsv中对应像素值S_hsv(x,y)＝1；否则S_hsv(x,y)＝0。

其中，I^V(x,y)和B^V(x，y)，I^H(x,y)和B^H(x,y)分别是图像I和B中像素(x,y)的亮度分量和色调分量。T_h为色调差值上限，取值范围可设置为T_h∈[45,65]。

接着计算图像I与B的边缘图像I_edge和B_edge，并差分得到前景边缘像素集合F_edge。根据F_edge优化初选阴影S_hsv得到边缘阴影掩膜S_edge：

对任意像素(x,y)，若S_hsv(x,y)＝1且则边缘阴影掩膜S_edge中对应像素值S_edge(x,y)＝1；若S_hsv(x,y)∈Ω_k2(u,v)，则S_edge(x,y)＝0。其中，Ω_k2(u,v)表示以F_edge(u,v)为中心，k2(取值范围可设置为3～5)为半径的邻域，F_edge(u,v)表示前景边缘像素集合F_edge中的任意像素(u,v)。

计算S_edge中每个连通域的前景与背景的梯度纹理特征夹角其中▽_x，▽_y分别表示水平和竖直方向的梯度，上标F和B分别英语区分前景与背景。统计连通域中纹理特征与背景相近的像素及其所占比例其中n表示连通域像素总数，τ_α是相似像素的数量阈值，取值范围可设置为τ_α∈[0.2,0.5]，H(·)代表阶跃函数。

最后，基于得到的连通域中纹理特征与背景相近的像素及其所占比例d计算纹理特征的阴影掩膜S_tex对应的前景掩膜F_tex：

对任意像素(x,y)，若d＞T_tex，则阴影掩膜S_tex中对应像素值S_tex(x,y)＝1；否则S_tex(x,y)＝0，其中T_tex表示相似度阈值，取值范围可设置为T_tex∈[0.1,0.5]；

对任意像素(x,y)，若S_tex(x,y)＝1且F₀(x,y)＝1，则前景掩膜F_tex中对应像素值F_tes(x,y)＝1；否则F_tes(x,y)＝0。

步骤4：设置前景掩膜F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex：

401：根据m∈{chr,phy,tex}分别计算前景掩膜F_chr、F_phy、F_tex的相似性指标Q_con；

402：根据公式m∈{chr,phy,tex}分别计算前景掩膜F_chr、F_phy、F_tex的边缘平滑性指标Q_edge；

403：根据公式分别计算前景掩膜F_chr、F_phy、F_tex的区域完整性指标Q_com，其中面积比例阈值T_area的取值范围可设置0.3～0.5；

404：根据公式m∈{chr,phy,tex}分别计算F_chr、F_phy、F_tex的综合指标Q；

405：根据综合指标Q设置F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex，即m∈{chr,phy,tex}。

步骤5：根据前景掩膜F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex进行加权求和得到空域前景概率谱图像M_prob＝∑_{m∈{chr,phy,tex}}ω_m×F_m。

步骤6：基于空域前景概率谱图像M_prob计算时域前景概率普M_prob(t)。

设定大小为w(取值范围可设置为3～5)的时间滑动窗口，对窗口内的空域前景概率谱进行时域滤波，计算出当前时刻t的空域前景概率谱图像，即时域前景概率普其中ω_i表示(t-i)时刻空域前景概率谱对应的权值：若i＜w-1，则ω_i＝1/2ⁱ⁺¹；否则ω_i＝1/2^w。

步骤7：计算最终前景掩膜F_final，即实现对车辆阴影的消除处理。

比较M_prob(t)与预设的前景置信度阈值T_c(取值范围可设置70～170)，计算出当前时刻t空域前景概率谱图像的最终前景掩膜F_final(t)，即若M_prob(t)＞T_c，则F_final(t)＝1；否则F_final(t)＝0。

步骤7：判断待处理视频是否结束，若否，则继续读入下一视频帧继续执行上述步骤；否则，对待处理视频的处理结束。

Claims (1)

1.一种多特征权值自适应的阴影消除方法，其特征在于,包括下列步骤：

步骤1：输入待处理视频帧I；

步骤2：对当前视频帧I的背景进行建模，得到背景图像B并计算对应的初始前景区域F₀；

步骤3：分别计算色度、光谱方向、纹理三种特征的前景掩膜F_chr、F_phy、F_tex；

步骤301：计算色的特征的前景掩膜F_chr。

将视频帧I和背景图像B转换到色彩空间W，色彩空间W包括图像的亮度、色度信息；

对初始前景区域F₀中的任意像素(x,y)计算视频帧I和背景图像B中的亮度比其中I^V(x,y)、B^V(x,y)表示视频帧I和背景图像B中像素(x,y)的亮度分量；

以及计算视频帧I和背景图像B中以任意像素(x,y)为中心、k1为半径的邻域的色度分量差分均值其中表示视频帧I和背景图像B中像素(x,y)的邻域内所有像素的色度分量累加和；

根据亮度比V_ratio、C_avg计算色度特征的的阴影掩膜S_chr以及对应的前景F_chr：

对任意像素(x,y)，若α≤V_ratio≤β，且C_avg≤τ_C，则阴影掩膜S_chr中对应像素值S_chr(x,y)＝1；否则S_chr(x,y)＝0，其中α、β分别表示亮度阈值的下限、上限，τ_C表示色度阈值；

对任意像素(x,y)，若S_chr(x,y)＝0且F₀(x,y)＝1，则前景掩膜F_chr中对应像素值F_chr(x,y)＝1；否则F_chr(x,y)＝0，其中F₀(x,y)表示初始前景区域F₀中像素(x,y)的像素值；

步骤302：计算光谱方向特征的前景掩膜F_phy：

对于初始前景区域F₀中的任意前景像素(x,y)，计算(x,y)在视频帧I和背景图像B中RGB三个色彩通道的差分向量v(x,y)、以及v(x,y)与B(x,y)的模之比α(x,y)、v(x,y)的G分量v^G(x,y)与R分量v^R(x,y)的夹角θ(x,y)、以及B分量与v(x,y)模的夹角形成光谱方向特征其中

对初始前景区域F₀中任意前景像素的光谱方向特征f(x,y)聚类得到阴影模型M_s(μ,σ²)，并计算基于光谱方向的阴影掩膜S_phy以及前景掩膜F_phy：

对任意像素(x,y)，若||f(x,y)-μ||＜σ²，则阴影掩膜S_phy中对应像素值S_phy(x,y)＝1；否则S_phy(x,y)＝0，其中，μ,σ²分别表示M_s(μ,σ²)的均值和方差；

对任意像素(x,y)，若S_phy(x,y)＝0且F₀(x,y)＝1，则前景掩膜F_phy中对应像素值F_phy(x,y)＝1；否则F_phy(x,y)＝0；

步骤303：计算纹理特征的前景掩膜F_tex。

将初始前景区域F₀转换到色彩空间W；

根据视频帧I和背景图像B中像素(x,y)的亮度分量I^V(x,y)、B^V(x,y)，以及色度分量I^C(x,y)、B^C(x,y)计算初选阴影掩膜S_W：

若I^V(x,y)＜B^V(x,y)且|I^C(x,y)-B^C(x,y)|＜T_C，则初选阴影掩膜S_W中对应像素值S_W(x,y)＝1；否则S_W(x,y)＝0，其中T_C表示色度差阈值；

计算频帧I和背景图像B的边缘图像I_edge和B_edge，并差分得到前景边缘像素集合F_edge；根据F_edge优化初选阴影S_W得到边缘阴影掩膜S_edge：

对任意像素(x,y)，若则边缘阴影掩膜S_edge中对应像素值S_edge(x,y)＝1；若S_hsv(x,y)∈Ω_k2(u,v)，则S_edge(x,y)＝0，其中Ω_k2(u,v)表示以F_edge(u,v)为中心、k2为半径的邻域，F_edge(u,v)表示前景边缘像素集合F_edge中的任意像素(u,v)；

计算边缘阴影掩膜S_edge中每个连通域的前景与背景的梯度纹理特征夹角其中▽_x，▽_y分别表示水平和竖直方向的梯度，上标F和B分别用于区分前景与背景；

统计S_edge中每个连通域中纹理特征与背景相近的像素及其所占比例其中n表示连通域像素总数，τ_α表示相似像素的数量阈值，H(·)表示阶跃函数；

计算纹理特征的阴影掩膜S_tex对应的前景掩膜F_tex：

对任意像素(x,y)，若d＞T_tex，则阴影掩膜S_tex中对应像素值S_tex(x,y)＝1；否则S_tex(x,y)＝0，其中T_tex表示相似度阈值；

对任意像素(x,y)，若S_tex(x,y)＝1且F₀(x,y)＝1，则前景掩膜F_tex中对应像素值F_tes(x,y)＝1；否则F_tes(x,y)＝0；

步骤4：设置前景掩膜F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex：

401：根据m∈{chr,phy,tex}分别计算前景掩膜F_chr、F_phy、F_tex的相似性指标Q_con，其中C_Sm表示m在S中的补集，函数f(·)表示图像特征，距离函数dist(f₁,f₂)用于计算两个图像特征的向量的距离：N表示图像特征的维数；

402：根据公式m∈{chr,phy,tex}分别计算前景掩膜F_chr、F_phy、F_tex的边缘平滑性指标Q_edge，其中，Corners(F_m)和Edges(F_m)分别表示分割结果F_m的角点集合以及边缘点集合；|·|表示集合元素的数量；

403：根据公式分别计算前景掩膜F_chr、F_phy、F_tex的区域完整性指标Q_com，其中，A_i表示第i个连通域的面积，A_max表示最大连通域的面积，T_area为预设面积比例阈值，N为连通域总数量，H(·)表示阶跃函数；

404：根据公式m∈{chr,phy,tex}分别计算F_chr、F_phy、F_tex的综合指标Q；

405：根据综合指标Q设置F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex：m∈{chr,phy,tex}。

步骤5：根据前景掩膜F_chr、F_phy、F_tex的融合权值ω_chr、ω_phy、ω_tex进行加权求和得到空域前景概率谱图像M_prob＝Σ_{m∈{chr,phy,tex}}ω_m×F_m；

步骤6：基于空域前景概率谱图像M_prob计算时域前景概率普M_prob(t)：

基于大小为w的时间滑动窗口，对窗口内的空域前景概率谱进行时域滤波，计算出当前时刻t的空域前景概率谱图像，即时域前景概率普其中ω_i表示(t-i)时刻空域前景概率谱对应的权值：若i＜w-1，则ω_i＝1/2ⁱ⁺¹；否则ω_i＝1/2^w；

步骤7：计算最终前景掩膜F_final，完成对车辆阴影的消除处理：

比较时域前景概率普M_prob(t)与前景置信度阈值T_c，计算出当前时刻t的空域前景概率谱图像的最终前景掩膜F_final(t)：若M_prob(t)＞T_c，则F_final(t)＝1；否则F_final(t)＝0。