CN107767390B - 监控视频图像的阴影检测方法及其系统、阴影去除方法 - Google Patents

监控视频图像的阴影检测方法及其系统、阴影去除方法 Download PDF

Info

Publication number
CN107767390B
CN107767390B CN201710986529.9A CN201710986529A CN107767390B CN 107767390 B CN107767390 B CN 107767390B CN 201710986529 A CN201710986529 A CN 201710986529A CN 107767390 B CN107767390 B CN 107767390B
Authority
CN
China
Prior art keywords
value
shadow
shadow region
region
candidate
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
Application number
CN201710986529.9A
Other languages
English (en)
Other versions
CN107767390A (zh
Inventor
晋兆龙
邹文艺
陈卫东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Keda Technology Co Ltd
Original Assignee
Suzhou Keda Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Keda Technology Co Ltd filed Critical Suzhou Keda Technology Co Ltd
Priority to CN201710986529.9A priority Critical patent/CN107767390B/zh
Publication of CN107767390A publication Critical patent/CN107767390A/zh
Priority to DE112018004661.3T priority patent/DE112018004661T5/de
Priority to GB2007386.2A priority patent/GB2583198B/en
Priority to PCT/CN2018/110701 priority patent/WO2019076326A1/zh
Application granted granted Critical
Publication of CN107767390B publication Critical patent/CN107767390B/zh
Priority to US16/852,597 priority patent/US20200250840A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明揭示一种监控视频图像的阴影检测方法及其系统、阴影去除方法。所述监控视频图像的阴影检测方法包括如下步骤：从源数据中获取当前帧和背景帧；由当前帧中获取第一候选阴影区域；计算所有第一候选阴影区域的局部三元模式的阴影检测值，选取第二候选阴影区域；计算各个第二候选阴影区域的色调及饱和度检测值和梯度检测值；估算局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；计算各个第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；选取局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在阈值范围内的第一候选阴影区域作为阴影区域。

Description

监控视频图像的阴影检测方法及其系统、阴影去除方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种监控视频图像的阴影检测方法、监控视频图像的阴影检测系统以及使用该监控视频图像的阴影检测方法的监控视频图像的阴影的去除方法。
背景技术
监控系统是安防系统中应用最多的系统之一。对于监控技术来说，监控场景下的阴影(包括监控目标的阴影和其他背景物体的阴影等)一直是干扰监控目标监控和检测的重要因素，尤其是在光照条件下，处于运动状态的监控目标投射的阴影与监控目标“如影随行”，即监控目标投射的阴影与监控目标有着相似的运动属性，再加上同样对应背景区域具有较大的区分度，很容易连同运动状态的监控目标一起被检测出来。
若阴影被误检为监控目标而被同时检测出来，则容易造成监控目标的粘连、融合、几何属性畸变等情况。因此，如何在监控视频场景下对处于运动状态的监控目标进行检测、消除其投射的阴影的干扰，尽可能保证监控目标的完整度对智能视频分析有着重要的意义。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种监控视频图像的阴影检测方法、监控视频图像的阴影检测系统以及使用该监控视频图像的阴影检测方法的监控视频图像的阴影的去除方法。该监控视频图像的阴影检测方法、阴影检测系统以及监控视频图像的阴影的去除方法可以有效地对阴影进行检测和去除，最大限度减少阴影对监控目标的完整性造成的影响。
根据本发明的一个方面提供一种监控视频图像的阴影检测方法，所述监控视频图像的阴影检测方法包括如下步骤：S10：从源数据中获取当前帧和背景帧；S20：由所述当前帧中获取第一候选阴影区域，所述第一候选阴影区域的亮度小于所述背景帧中对应区域的亮度；S30：计算所有所述第一候选阴影区域的局部三元模式的阴影检测值，选取局部三元模式的阴影检测值大于第一阈值的第一候选阴影区域作为第二候选阴影区域；S40：计算各个所述第二候选阴影区域的色调及饱和度检测值和梯度检测值；S50：根据计算得到的所述第二候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值估算对应的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；S60：计算各个所述第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；S70：选取所述局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在所述局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值范围内的所述第一候选阴影区域作为阴影区域。
优选地，在所述步骤S10中还从源数据中获取前景帧；所述步骤S20包括如下步骤：S201：计算所述当前帧和所述背景帧中各区域的亮度，选取所述当前帧中亮度小于所述背景帧中对应区域的亮度的区域作为第一区域；S202：计算所述第一区域与所述背景帧中对应所述第一区域的第二区域分别在红色、绿色和蓝色三个颜色通道内的光谱频率的三个第一比值以及所述前景帧中对应所述第一区域的第三区域与所述第二区域分别在红色、绿色和蓝色三个通道内的光谱频率的三个第二比值；S203：选取所述第一比值与所述第二比值之间的差值小于第二阈值的所述第一区域作为第一候选阴影区域。
优选地，在所述步骤S202中，三个所述第一比值的计算方式分别为：
其中，Ψr为红色通道内的光谱频率的第一比值、Ψg为绿色通道内的光谱频率的第一比值、Ψb为绿色通道内的光谱频率的第一比值；Cr为红色通道内当前帧的光谱频率、Cg为绿色通道内当前帧的光谱频率、Cb为蓝色通道内当前帧的光谱频率；Br为红色通道内背景帧的光谱频率、Bg为绿色通道内背景帧的光谱频率、Bb为蓝色通道内背景帧的光谱频率。
优选地，所述局部三元模式的阴影检测值的计算包括如下步骤：计算所述当前帧中的所述第一候选阴影区域或所述第二候选阴影区域内所有像素点的局部三元模式的计算值；计算所述背景帧中位置相同的每个对应像素点的局部三元模式的计算值；计算所述当前帧中所述第一候选阴影区域或所述第二候选阴影区域中具有与所述背景帧中所述对应像素点的局部三元模式的计算值相同的所述像素点的数量，并将该像素点的数量作为所述局部三元模式的阴影检测值。
优选地，所述局部三元模式的计算值的计算至少包括如下步骤：设定一噪声容忍值；将环绕所述像素点的各个邻域像素点与所述像素点的灰度值进行比较；若一个所述邻域像素点与所述像素点的灰度值的差值小于所述噪声容忍值，则将该邻域像素点标记为第一数值；若一个所述邻域像素点的灰度值大于等于所述像素点的灰度值与所述噪声容忍值之和，则将该邻域像素点标记为第二数值；若一个所述邻域像素点的灰度值小于等于所述像素点的灰度值与所述噪声容忍值的差值，则将该邻域像素点标记为第三数值；按照第一顺序将所有所述邻域像素点标记的第一数值、第二数值、第三数值组成第一数组；将每个所述邻域像素点与距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值进行比较；若两个所述邻域像素点的灰度值的差值小于所述噪声容忍值，则形成所述第一数值；若一个所述邻域像素点所述邻域像素点的灰度值大于等于距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值与所述噪声容忍值之和，则形成所述第二数值；若一个所述邻域像素点的灰度值小于等于距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值与所述噪声容忍值的差值，则形成所述第三数值；按照第二顺序将所有形成的所述第一数值、第二数值、第三数值组成第二数组；叠加所述第一数组和所述第二数组后形成作为所述局部三元模式的计算值。
优选地，所述像素点与多个所述邻域像素点之间呈九宫格排布，每个像素点的周围包括环绕其设置的八个所述邻域像素点。
优选地，所述色调及饱和度检测的方式为：
其中，为当前帧中像素点的色调值、为背景帧中像素点的色调值、为当前帧中像素点的饱和度值、为背景帧中像素点的饱和度值、τh为色调阈值、τs为饱和度阈值；
当所述第一候选阴影区域的色调平均值小于所述色调阈值且饱和度平均值小于所述饱和度阈值时，则所述第一候选阴影区域的色调及饱和度检测值在所述色调及饱和度阈值范围内输出值为1；否则，所述第一候选阴影区域的色调及饱和度检测值超出所述色调及饱和度阈值范围，输出值为0。
优选地，所述梯度检测的方式为：
其中，为像素点的水平梯度值、为像素点的垂直梯度值、为像素点的梯度值、θ为角度值、为当前帧中的一个像素点在一个颜色通道内的梯度值、为背景帧中的一个对应像素点在同一个颜色通道内的梯度值、为梯度阈值、为当前帧中的一个像素点在一个颜色通道内的角度值、为背景帧中的一个对应像素点在同一个颜色通道内的角度值、为角度阈值；
当所述当前帧中所有像素点与背景帧中对应像素点在红色、绿色和蓝色三个通道内的所有梯度差值的平均值小于所述梯度阈值，且所述当前帧中所有像素点与背景帧中对应像素点在红色、绿色和蓝色三个通道内的所有角度差值的平均值小于所述角度阈值时，则所述第一候选阴影区域的梯度检测值在所述梯度阈值范围内、输出值为1；否则，所述第一候选阴影区域的梯度检测值超出所述梯度阈值范围，输出值为0。
根据本发明的另一个方面，还提供一种监控视频图像的阴影的去除方法，所述监控视频图像的阴影的去除方法至少包括上述的监控视频图像的阴影检测方法。
优选地，在选取出阴影区域后，还包括如下步骤：从源数据中获取前景帧；结合所述前景帧通过中值滤波和空洞填充去除所述当前帧中的所述阴影区域。
根据本发明的又一个方面，还提供一种监控视频图像的阴影检测系统，所述监控视频图像的阴影检测系统包括：提取模块，用于从源数据中获取当前帧、背景帧或者前景帧；第一候选阴影区域获取模块，用于由所述当前帧中获取第一候选阴影区域，所述第一候选阴影区域的亮度小于所述背景帧中对应区域的亮度；第二候选阴影区域获取模块，用于计算所有所述第一候选阴影区域的局部三元模式的阴影检测值，选取局部三元模式的阴影检测值大于第一阈值的第一候选阴影区域作为第二候选阴影区域；第一计算模块，用于计算各个所述第二候选阴影区域的色调及饱和度检测值和梯度检测值；阈值估算模块，用于根据计算得到的所述第二候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值估算对应的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；第二计算模块，用于计算各个所述第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；阴影区域选取模块，用于选取所述局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在所述局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值范围内的所述第一候选阴影区域作为阴影区域。
相比于现有技术，本发明实施例提供的监控视频图像的阴影检测方法、监控视频图像的阴影检测系统以及使用该监控视频图像的阴影检测方法的监控视频图像的阴影的去除方法中由于先获取了第一候选阴影区域(粗糙的阴影候选区)从第一候选阴影区域中提取出少部分真实的第二候选阴影区域，用于估计后续三个阴影检测子的阈值参数，进而，基于阴影区域和对应的背景区域存在纹理一致性和色度恒常性的原理，利用三个阴影检测子并行从第一候选阴影区域中提取出较为准确的阴影区域来，接着将所有较为准确的阴影区域进行联合筛选，获得更加准确的阴影区域。因此，本发明的监控视频图像的阴影检测方法检测得到的阴影区域针对多数常见室内场景中处于运动状态的监控目标的阴影区域的检测效果显著，检测得到的阴影区域十分准确。此外，该算法可以作为独立的模块应用在监控场景下，结合背景建模或背景差分算法，在获得实时的视频帧(当前帧)、前景帧和背景帧的基础上，即可实现和应用该算法，最大限度减少阴影对目标完整性的影响，使后续去除阴影区域后得到的监控目标也比较准确、完整，更有利于对监控目标的监控。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的一个实施例的图像的阴影检测方法的流程图；
图2为本发明的一个实施例的图像的阴影检测方法中获取第一候选阴影区域的各个步骤流程图；
图3为本发明的一个实施例的图像的阴影检测方法中改进的局部三元模式的阴影检测值的计算流程图；
图4为本发明的一个实施例的图像的阴影检测方法中改进的局部三元模式的计算值的计算流程图；以及
图5为本发明的一个实施例的图像的阴影检测方法中改进的局部三元模式的计算值的计算结果示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在某些情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
依据本发明的主旨构思，本发明的一种监控视频图像的阴影检测方法包括如下步骤：从源数据中获取当前帧和背景帧；由所述当前帧中获取第一候选阴影区域，所述第一候选阴影区域的亮度小于所述背景帧中对应区域的亮度；计算所有所述第一候选阴影区域的局部三元模式的阴影检测值，选取局部三元模式的阴影检测值大于第一阈值的第一候选阴影区域作为第二候选阴影区域；计算各个所述第二候选阴影区域的色调及饱和度检测值和梯度检测值；根据计算得到的所述第二候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值估算对应的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；计算各个所述第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；选取所述局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在所述局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值范围内的所述第一候选阴影区域作为阴影区域。
下面结合附图和实施例对本发明的技术内容进行进一步地说明。
请参见图1，其示出了本发明的一个实施例的图像的阴影检测方法的流程图。具体来说，本发明的监控视频图像的阴影检测方法中主要针对应用到两个颜色空间：色调、饱和度、明度(HSV)颜色空间以及红绿蓝(RGB)颜色空间；两种纹理：梯度和局部空间模式。该监控视频图像的阴影检测方法的算法中主要思想是先提取出候选阴影区域(可参见下文的第一候选阴影区域和第二候选阴影区域等)，然后从候选阴影区域中提取出阴影区域，该提取出的阴影区域较为准确。具体来说，如图1所示，在本发明的实施例中，该监控视频图像的阴影检测方法包括如下步骤：
步骤S10：从源数据中获取当前帧和背景帧。其中，源数据是指监控设备所获取的原始图像或视频数据，当前帧是指实时采集的当前图像，背景帧是通过背景建模或背景差分算法等方式从监控画面或视频中提取出的不具有监控目标的背景图像。进一步地，在本发明的优选实施例中，该所述步骤S10中还包括同时从源数据中获取前景帧的步骤，其中，前景帧是指在监控设备运行的过程中早于当前帧所在时间而记录的监控图像。
步骤S20：由所述当前帧中获取第一候选阴影区域。所述第一候选阴影区域的亮度小于所述背景帧中对应区域的亮度。具体来说，该步骤主要基于阴影区域比对应的背景区域暗这一假设，这种假设在绝大多数情况下是成立，因此，可以利用该假设提取出粗糙的候选阴影区域(即上述的第一候选阴影区域)，因此，获取到的第一候选阴影区域的亮度小于背景帧中对应区域的亮度。在此需要说明的是，背景帧是不具有监控目标的图像，即当前帧中除了监控目标和阴影区域以外的区域的图像均与背景帧中相同，因此，当前帧中的第一候选阴影区域与背景中的对应区域实质上是相同的位置。
进一步地，由于阴影区域有可能受到噪声的干扰。因此，步骤S20中实际获取的第一候选阴影区域包括大部分的实际阴影区域和误检为阴影区域的监控目标两个部分，若单纯地用色度暗这一假设来判断会导致误检为阴影区域的面积较大。进而，在本发明实施例中，由于发明人在对监控目标和阴影区域进行统计分析时发现，阴影区域在红绿蓝(RGB)颜色空间内的各颜色通道的光谱频率的比值相比对应的背景区域在各颜色通道的光谱频率的比值变化较小，而监控目标在各颜色通道的光谱频率的比值相比对应的背景区域的各颜色通道值的光谱频率的比值变化较大，这一特性有助于将大部分误检为阴影区域的监控目标从检测到的阴影候选区域中区分出来。因此，请参见图2，其示出了本发明的一个实施例的图像的阴影检测方法中获取第一候选阴影区域的各个步骤流程图。具体来说，在本发明的优选实施例中，步骤S20还包括如下步骤：
步骤S201：计算所述当前帧和所述背景帧中各区域的亮度，选取所述当前帧中亮度小于所述背景帧中对应区域的亮度的区域作为第一区域。
步骤S202：计算所述第一区域与所述背景帧中对应所述第一区域的第二区域分别在红色、绿色和蓝色三个颜色通道内的光谱频率的三个第一比值以及所述前景帧中对应所述第一区域的第三区域与所述第二区域分别在红色、绿色和蓝色三个通道内的光谱频率的三个第二比值。其中，第一区域、第二区域以及第三区域实质上为图像中的同一区域。
具体来说，在所述步骤S202中，三个所述第一比值的计算方式分别为：
其中，Ψr为红色通道内的光谱频率的第一比值、Ψg为绿色通道内的光谱频率的第一比值、Ψb为绿色通道内的光谱频率的第一比值；Cr为红色通道内当前帧的光谱频率、Cg为绿色通道内当前帧的光谱频率、Cb为蓝色通道内当前帧的光谱频率；Br为红色通道内背景帧的光谱频率、Bg为绿色通道内背景帧的光谱频率、Bb为蓝色通道内背景帧的光谱频率。
相应地，前景帧中对应第一区域的第三区域与第二区域分别在红色、绿色和蓝色三个通道内的光谱频率的三个第二比值的计算方式与第一比值的计算方式相同，仅仅将相应当前帧参数进行替换，而背景帧的相关参数保留，例如，将Cg替换为红色通道内前景帧的光谱频率，其他当前帧的参数类似替换，在此不予赘述。
步骤S203：选取所述第一比值与所述第二比值之间的差值小于第二阈值的所述第一区域作为第一候选阴影区域。其中，第二阈值可以根据实际的需求进行设置和调整。
步骤S30：计算所有所述第一候选阴影区域的局部三元模式的阴影检测值，选取局部三元模式的阴影检测值大于第一阈值的第一候选阴影区域作为第二候选阴影区域。具体来说，本发明中主要通过三个阴影检测子来对阴影区域进行检测，对于每一个阴影检测子来说，都有其对应的参数阈值，但是由于监控视频中场景是多变的，若对每一个场景都需要去设置一组参数阈值会使得算法的应用受到限制，因此，需要事先预测较为准确的参数阈值。进而，在上述步骤S20的获取到第一候选阴影区域的基础上，本发明利用改进的局部三元模式(Improved Local Ternary Pattern)检测子(以下称为ILTP检测子)，对提取出的所有第一候选阴影区域进行筛选，选取出准确的阴影区域(即这些阴影区域的检测标准较高，进而，选取的区域基本均为最终的阴影区域)，并依据这些准确的阴影区域估测针对其他第一候选阴影区域的检测的三个阴影检测子的阈值参数(色调及饱和度检测子和梯度检测子)。需要说明的是，在此步骤中，之所以选择ILTP检测子是由于ILTP检测子较色调及饱和度(HS)检测子检测子和梯度(Gradient)检测子检测到阴影区域的准确率高且目标干扰少。
进一步地，请参见图3，其示出了本发明的一个实施例的图像的阴影检测方法中改进的局部三元模式的阴影检测值的计算流程图。具体来说，本发明改进的局部三元模式的阴影检测值的计算包括如下步骤：
步骤S301：计算所述当前帧中的第一候选阴影区域或第二候选阴影区域内所有像素点的局部三元模式的计算值。具体来说，针对上述步骤S30即为对第一候选阴影区域内的像素点进行本发明的改进的局部三元模式的计算值(ILTP计算值)。
步骤S302：计算背景帧中位置相同的每个对应像素点的局部三元模式的计算值。
步骤S303：计算当前帧中第一候选阴影区域或第二候选阴影区域中具有与背景帧中对应像素点的局部三元模式的计算值相同的像素点的数量，并将该像素点的数量作为局部三元模式的阴影检测值。具体来说，在此步骤中，即为根据上述步骤S301和步骤S302中计算得到的每个像素点的ILTP计算值进行比对，若步骤S301中当前帧的某个像素点的ILTP计算值与步骤S302中对应的(即位置相同的)像素点的ILTP计算值相同，则可将该像素点计为1个像素点。进而，类似地计算第一候选区域中所有像素点，将符合上述条件的像素点进行累加，即可得到所述的局部三元模式的阴影检测值。
进一步地，请参见图4，其示出了本发明的一个实施例的图像的阴影检测方法中改进的局部三元模式的计算值的计算流程图。如图4所示，在上述步骤S301和S302中，局部三元模式的计算值的计算方式至少包括如下步骤：
步骤S3001：设定一噪声容忍值。
步骤S3002：将环绕所述像素点的各个邻域像素点与所述像素点的灰度值进行比较。其中，比较的结果为如下三种，即仅仅计算得到三种值。具体来说，若一个邻域像素点与像素点的灰度值的差值小于噪声容忍值，则将该邻域像素点标记为第一数值；若一个邻域像素点的灰度值大于等于述像素点的灰度值与噪声容忍值之和，则将该邻域像素点标记为第二数值；若一个邻域像素点的灰度值小于等于像素点的灰度值与噪声容忍值的差值，则将该邻域像素点标记为第三数值。
请参见图5，其示出了本发明的一个实施例的图像的阴影检测方法中改进的局部三元模式的计算值的计算结果示意图。在图5所示的实施例中，检测的像素点与其多个邻域像素点之间呈九宫格排布，像素点的周围包括环绕其设置的八个邻域像素点。图5中检测的像素点的灰度值为90、噪声容忍值t为6、第一数值为01、第二数值为10、第三数值为00。进而，按照上述步骤S3002中的比较方法，位于检测的像素点的左上角的邻域像素点标记为01、位于检测的像素点的左侧的邻域像素点标记为00、位于检测的像素点的上方的邻域像素点标记为10，类似地对周围八个邻域像素点进行标记后(可参见图5标记后的九宫格)，执行步骤S3003。
步骤S3003：按照第一顺序将所有邻域像素点标记的第一数值、第二数值、第三数值组成第一数组。在图5所示的实施例中，第一顺序为由八个邻域像素点形成的九宫格中位于左上角的一个邻域像素点开始，顺时针依次进行排列形成第一数组。由于所有邻域像素点均由第一数值01、第二数值10以及第三数值00所标记，因此，第一数组实质上即为由01、10和00组成的一串数字。如图5所示，完成步骤S3003后形成的第一数组为0110011001001000。
步骤S3004：将每个所述邻域像素点与距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值进行比较。若两个所述邻域像素点的灰度值的差值小于所述噪声容忍值，则形成所述第一数值；若一个所述邻域像素点所述邻域像素点的灰度值大于等于距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值与所述噪声容忍值之和，则形成所述第二数值；若一个所述邻域像素点的灰度值小于等于距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值与所述噪声容忍值的差值，则形成所述第三数值。具体来说，由于现有技术中的局部三元模式的计算值仅仅是对检测的像素点与周围邻域像素点进行比较，忽略了邻域像素点之间的关联信息，而这恰恰能增强局部三元模式的表达能力。因此，在本发明的中，将邻域像素点之间的关联信息也包括在内，以此提升现有的局部三元模式的计算值的表达能力，进而，可使检测到的阴影区域更为准确。进而，在此步骤中比较的方式与上述步骤S3003中相同，区别在于比较的像素点不同，步骤S3004中为多个邻域像素点之间的比较。在图5所示的实施例中，用于比较的邻域像素点分别为待检测的像素点两条对角线方向、竖直方向以及水平方向的邻域像素点之间的比较，如图5所示比较后标记在田字形的表格内，首先，该田字形的表格中位于左上角的空格内标记的数值为九宫格中位于左上角的邻域像素点与位于右下角的邻域像素点进行比较后的结果，即灰度值89与灰度值91比较，由于89与91的差值小于噪声容忍值6，因此，在田字形的表格中左上角的数值标记为第一数值01；类似地，田字形的表格中右上角的数值为九宫格中位于右上角的邻域像素点与位于左下角的邻域像素点进行比较后的结果；田字形的表格中左下角的数值为九宫格中水平方向(即位于检测的像素点的左侧和右侧)的两个邻域像素点之间进行比较后的结果；田字形的表格中右上角的数值为九宫格中数值方向(即位于检测的像素点的上方和下方)的两个邻域像素点之间进行比较后的结果。
步骤S3005：按照第二顺序将所有形成的所述第一数值、第二数值、第三数值组成第二数组。具体来说，在图5所示实施例中，第二顺序同样为由所述田字形的表格中左上角开始，沿顺时针方向依次排列形成。进而，在此实施例中，与上述第一数组类似的，第二数组包括四个数值，可参见图5，第二数组为01100010。
步骤S3006：叠加所述第一数组和所述第二数组后作为局部三元模式的计算值。在图5所示的实施例中，即为将第二数组直接叠加至第一数组后，将该串数字作为局部三元模式的计算值(如图5所示的局部三元模式的计算值为011001100100100001100010)。图5中的局部三元模式的计算值为12个数值组成，若在RGB颜色空间内综合考虑三个颜色通道，则最终的ILTP计算值则包括36数值。
进而，分别对当前帧中的检测的像素点和背景帧中对应的一个像素点进行局部三元模式的计算值的计算，判断上述两个像素点的局部三元模式的计算值是否相同，并且计算相同的像素点的个数(步骤S303)。该个数即为步骤S30中最终得到的一个第一候选阴影区域的局部三元模式的阴影检测值。若一个第一候选阴影区域的局部三元模式的阴影检测值大于第一阈值，则将其作为第二候选阴影区域。
需要说明的是，图5中仅仅作为一种举例，并不限于此，在实际进行检测的过程中，可以根据实际的要求来设置上述第一顺序、第二顺序以及第一数值、第二数值和第三数值等参数。并且，检测的像素点与其邻域像素点之间甚至可以不是九宫格状的，例如，在一些实施例中，邻域像素点也可以是呈圆环状环绕检测像素点，在此不予赘述。
步骤S40：计算各个第二候选阴影区域的色调及饱和度检测值和梯度检测值。具体来说，第二候选阴影区域的色调检测值为第二候选阴影区域内所有像素点与背景帧中所有对应像素点的色调值的差值的平均值；类似地，第二候选阴影区域的饱和度检测值为第二候选阴影区域内所有像素点与背景帧中所有对应像素点的饱和度值的差值的平均值。
步骤S50：根据计算得到的第二候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值估算对应的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值。具体来说，由于根据上述步骤S30，本发明的计算方式增加了邻域像素点之间的关联信息，增强了局部三元模式的表达能力，因此，获取到的第二候选阴影区域非常准确，基本均为最终的阴影区域。进而，可以根据第二候选阴影区域中计算得到的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值来估算用于检测所有第一候选阴影区域的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值。其中，估算的方式可以是将所有第二候选阴影区域的局部三元模式的阴影检测值的平均值作为局部三元模式的阴影阈值；将所有第二候选阴影区域的色调及饱和度检测值的平均值作为色调及饱和度阈值；将所有第二候选阴影区域的梯度检测值的平均值作为梯度阈值。或者也可以根据实际的需求对上述的平均值进行调整后作为最终的阈值，在此不予赘述。
由于第二候选阴影区域是利用本发明的改进的局部三元模式的阴影检测值进行检测的，因此，选出的第二候选阴影区域准确高且目标干扰少，用于确定后续所有第一候选阴影区域的各个阴影检测子的阈值参数将具有更好的代表性和准确性。
步骤S60：计算各个所述第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值。在此步骤中，对于局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值的计算方式与上述步骤S30和步骤S50相同。
步骤S70：选取所述局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在所述局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值范围内的所述第一候选阴影区域作为阴影区域。具体来说，在此步骤中，判断第一候选阴影区域的局部三元模式的阴影检测值是否在局部三元模式的阴影阈值范围内可以使用上述步骤S30中的方法，其中，仅仅将第一阈值替换为步骤S50中的局部三元模式的阴影阈值即可。
进一步地，色调及饱和度检测的方式为：
其中，为当前帧中像素点的色调值、为背景帧中像素点的色调值、为当前帧中像素点的饱和度值、为背景帧中像素点的饱和度值、τh为色调阈值、τs为饱和度阈值；
当第一候选阴影区域的色调平均值小于色调阈值且饱和度平均值小于饱和度阈值时，则第一候选阴影区域的色调及饱和度检测值在色调及饱和度阈值范围内输出值为1；否则，所述第一候选阴影区域的色调及饱和度检测值超出所述色调及饱和度阈值范围，输出值为0。其中，第一候选阴影区域的色调平均值即为第一候选阴影区域内所有像素点与背景帧中所有对应像素点的色调值的差值的平均值；类似地，第一候选阴影区域的饱和度平均值为第一候选阴影区域内所有像素点与背景帧中所有对应像素点的饱和度值的差值的平均值。根据输出值为1或者为0即可判断一个第一候选阴影区域的色调及饱和度检测值是否均在色调及饱和度阈值范围内。需要说明的是，相比传统的色调、饱和度、明度(HSV)检测子针对当前帧和背景帧的H、S、V三个通道进行计算分析来说，本发明提出的色调及饱和度检测去掉了V通道的计算，主要利用H和S通道统一表达的是色度不变性，并充分利用H和S通道的邻域信息(如邻域像素点)。色调阈值和饱和度阈值是根据第二候选阴影区域计算得到的，因此，会因场景不同而改变。单一孤立像素点、邻域信息的使用可以减少突然光照变化造成的干扰，降低漏检，提高检测的准确度。
进一步地，梯度检测的方式为：
其中，为像素点的水平梯度值、为像素点的垂直梯度值、为像素点的梯度值、θ为角度值、为当前帧中的一个像素点在一个颜色通道内的梯度值、为背景帧中的一个对应像素点在同一个颜色通道内的梯度值、为梯度阈值、为当前帧中的一个像素点在一个颜色通道内的角度值、为背景帧中的一个对应像素点在同一个颜色通道内的角度值、为角度阈值；
当所述当前帧中所有像素点与背景帧中对应像素点在红色、绿色和蓝色三个通道内的所有梯度差值的平均值小于所述梯度阈值，且所述当前帧中所有像素点与背景帧中对应像素点在红色、绿色和蓝色三个通道内的所有角度差值的平均值小于所述角度阈值时，则所述第一候选阴影区域的梯度检测值在所述梯度阈值范围内、输出值为1；否则，所述第一候选阴影区域的梯度检测值超出所述梯度阈值范围，输出值为0。根据输出值为1或者为0即可判断一个第一候选阴影区域的梯度检测值是否均在梯度阈值范围内。
进一步地，本发明还提供一种监控视频图像的阴影的去除方法，所述监控视频图像的阴影的去除方法至少包括上述图1至图5所示的监控视频图像的阴影检测方法。具体来说，在选取出阴影区域后，还包括如下步骤：
从源数据中获取前景帧；
结合所述前景帧通过中值滤波和空洞填充去除所述当前帧中的所述阴影区域。
上述监控视频图像的阴影的去除方法中由于使用了上述图1至图5所示的监控视频图像的阴影检测方法，因此，检测得到的阴影区域非常准确，加入中值滤波、空洞填充等后处理算法后可以达到阴影区域和监控目标的分离，在去除了阴影区域干扰的监控目标的形状、轮廓就比较完整和准确，为进一步识别分类等模式识别算法提供准确有效数据。
进一步地，本发明还提供一种监控视频图像的阴影检测系统，用于实现上述监控视频图像的阴影检测方法。所述监控视频图像的阴影检测系统主要包括：提取模块、第一候选阴影区域获取模块、第二候选阴影区域获取模块、第一计算模块、阈值估算模块、第二计算模块以及阴影区域选取模块。
提取模块用于从源数据中获取当前帧、背景帧或者前景帧。
第一候选阴影区域获取模块用于由所述当前帧中获取第一候选阴影区域，所述第一候选阴影区域的亮度小于所述背景帧中对应区域的亮度。
第二候选阴影区域获取模块用于计算所有所述第一候选阴影区域的局部三元模式的阴影检测值，选取局部三元模式的阴影检测值大于第一阈值的第一候选阴影区域作为第二候选阴影区域。
第一计算模块用于计算各个所述第二候选阴影区域的色调及饱和度检测值和梯度检测值。
阈值估算模块用于根据计算得到的所述第二候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值估算对应的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值。
第二计算模块用于计算各个所述第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值。
阴影区域选取模块用于选取所述局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在所述局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值范围内的所述第一候选阴影区域作为阴影区域。
综上所述，本发明实施例提供的监控视频图像的阴影检测方法、监控视频图像的阴影检测系统以及使用该监控视频图像的阴影检测方法的监控视频图像的阴影的去除方法中由于先获取了第一候选阴影区域(粗糙的阴影候选区)从第一候选阴影区域中提取出少部分真实的第二候选阴影区域，用于估计后续三个阴影检测子的阈值参数，进而，基于阴影区域和对应的背景区域存在纹理一致性和色度恒常性的原理，利用三个阴影检测子并行从第一候选阴影区域中提取出较为准确的阴影区域来，接着将所有较为准确的阴影区域进行联合筛选，获得更加准确的阴影区域。因此，本发明的监控视频图像的阴影检测方法检测得到的阴影区域针对多数常见室内场景中处于运动状态的监控目标的阴影区域的检测效果显著，检测得到的阴影区域十分准确。此外，该算法可以作为独立的模块应用在监控场景下，结合背景建模或背景差分算法，在获得实时的视频帧(当前帧)、前景帧和背景帧的基础上，即可实现和应用该算法，最大限度减少阴影对目标完整性的影响，使后续去除阴影区域后得到的监控目标也比较准确、完整，更有利于对监控目标的监控。
虽然本发明已以可选实施例揭示如上，然而其并非用以限定本发明。本发明所属技术领域的技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与修改。因此，本发明的保护范围当视权利要求书所界定的范围为准。

Claims (11)

1.一种监控视频图像的阴影检测方法，其特征在于，所述监控视频图像的阴影检测方法包括如下步骤：
S10：从源数据中获取当前帧和背景帧；
S20：由所述当前帧中获取第一候选阴影区域，所述第一候选阴影区域的亮度小于所述背景帧中对应区域的亮度；
S30：计算所有所述第一候选阴影区域的局部三元模式的阴影检测值，选取局部三元模式的阴影检测值大于第一阈值的第一候选阴影区域作为第二候选阴影区域；
S40：计算各个所述第二候选阴影区域的色调及饱和度检测值和梯度检测值；
S50：根据计算得到的所述第二候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值估算对应的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；
S60：计算各个所述第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；
S70：选取所述局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在所述局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值范围内的所述第一候选阴影区域作为阴影区域。
2.如权利要求1所述的监控视频图像的阴影检测方法，其特征在于，在所述步骤S10中还从源数据中获取前景帧；所述步骤S20包括如下步骤：
S201：计算所述当前帧和所述背景帧中各区域的亮度，选取所述当前帧中亮度小于所述背景帧中对应区域的亮度的区域作为第一区域；
S202：计算所述第一区域与所述背景帧中对应所述第一区域的第二区域分别在红色、绿色和蓝色三个颜色通道内的光谱频率的三个第一比值以及所述前景帧中对应所述第一区域的第三区域与所述第二区域分别在红色、绿色和蓝色三个通道内的光谱频率的三个第二比值；
S203：选取所述第一比值与所述第二比值之间的差值小于第二阈值的所述第一区域作为第一候选阴影区域。
3.如权利要求2所述的监控视频图像的阴影检测方法，其特征在于，在所述步骤S202中，三个所述第一比值的计算方式分别为：
其中，Ψr为红色通道内的光谱频率的第一比值、Ψg为绿色通道内的光谱频率的第一比值、Ψb为绿色通道内的光谱频率的第一比值；Cr为红色通道内当前帧的光谱频率、Cg为绿色通道内当前帧的光谱频率、Cb为蓝色通道内当前帧的光谱频率；Br为红色通道内背景帧的光谱频率、Bg为绿色通道内背景帧的光谱频率、Bb为蓝色通道内背景帧的光谱频率。
4.如权利要求1所述的监控视频图像的阴影检测方法，其特征在于，所述局部三元模式的阴影检测值的计算包括如下步骤：
计算所述当前帧中的所述第一候选阴影区域或所述第二候选阴影区域内所有像素点的局部三元模式的计算值；
计算所述背景帧中位置相同的每个对应像素点的局部三元模式的计算值；
计算所述当前帧中所述第一候选阴影区域或所述第二候选阴影区域中具有与所述背景帧中所述对应像素点的局部三元模式的计算值相同的所述像素点的数量，并将该像素点的数量作为所述局部三元模式的阴影检测值。
5.如权利要求4所述的监控视频图像的阴影检测方法，其特征在于，所述局部三元模式的计算值的计算至少包括如下步骤：
设定一噪声容忍值；
将环绕所述像素点的各个邻域像素点与所述像素点的灰度值进行比较；
若一个所述邻域像素点与所述像素点的灰度值的差值小于所述噪声容忍值，则将该邻域像素点的标记值为第一数值；
若一个所述邻域像素点的灰度值大于等于所述像素点的灰度值与所述噪声容忍值之和，则将该邻域像素点的标记值为第二数值；
若一个所述邻域像素点的灰度值小于等于所述像素点的灰度值与所述噪声容忍值的差值，则将该邻域像素点的标记值为第三数值；
按照第一顺序将所有所述邻域像素点的标记值组成第一数组；
将每个所述邻域像素点与距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值进行比较；
若两个所述邻域像素点的灰度值的差值小于所述噪声容忍值，则形成的数值为第一数值；
若一个所述邻域像素点所述邻域像素点的灰度值大于等于距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值与所述噪声容忍值之和，则形成的数值为第二数值；
若一个所述邻域像素点的灰度值小于等于距离该邻域像素点距离最远的另一个所述邻域像素点的灰度值与所述噪声容忍值的差值，则形成的数值为第三数值；
按照第二顺序将所有形成的数值组成第二数组；
叠加所述第一数组和所述第二数组后形成作为所述局部三元模式的计算值。
6.如权利要求5所述的监控视频图像的阴影检测方法，其特征在于，所述像素点与多个所述邻域像素点之间呈九宫格排布，每个像素点的周围包括环绕其设置的八个所述邻域像素点。
7.如权利要求1所述的监控视频图像的阴影检测方法，其特征在于，所述色调及饱和度检测的方式为：
其中，为当前帧中像素点的色调值、为背景帧中像素点的色调值、为当前帧中像素点的饱和度值、为背景帧中像素点的饱和度值、τh为色调阈值、τs为饱和度阈值；
当所述第一候选阴影区域的色调平均值小于所述色调阈值且饱和度平均值小于所述饱和度阈值时，则所述第一候选阴影区域的色调及饱和度检测值在所述色调及饱和度阈值范围内输出值为1；否则，所述第一候选阴影区域的色调及饱和度检测值超出所述色调及饱和度阈值范围，输出值为0。
8.如权利要求1所述的监控视频图像的阴影检测方法，其特征在于，所述梯度检测的方式为：
其中，为像素点的水平梯度值、为像素点的垂直梯度值、为像素点的梯度值、θ为角度值、为当前帧中的一个像素点在一个颜色通道内的梯度值、为背景帧中的一个对应像素点在同一个颜色通道内的梯度值、为梯度阈值、为当前帧中的一个像素点在一个颜色通道内的角度值、为背景帧中的一个对应像素点在同一个颜色通道内的角度值、为角度阈值；
当所述当前帧中所有像素点与背景帧中对应像素点在红色、绿色和蓝色三个通道内的所有梯度差值的平均值小于所述梯度阈值，且所述当前帧中所有像素点与背景帧中对应像素点在红色、绿色和蓝色三个通道内的所有角度差值的平均值小于所述角度阈值时，则所述第一候选阴影区域的梯度检测值在所述梯度阈值范围内、输出值为1；否则，所述第一候选阴影区域的梯度检测值超出所述梯度阈值范围，输出值为0。
9.一种监控视频图像的阴影的去除方法，其特征在于，所述监控视频图像的阴影的去除方法至少包括如权利要求1至8中任一项所述的监控视频图像的阴影检测方法。
10.如权利要求9所述的监控视频图像的阴影的去除方法，其特征在于，在选取出阴影区域后，还包括如下步骤：
从源数据中获取前景帧；
结合所述前景帧通过中值滤波和空洞填充去除所述当前帧中的所述阴影区域。
11.一种监控视频图像的阴影检测系统，其特征在于，所述监控视频图像的阴影检测系统包括：
提取模块，用于从源数据中获取当前帧、背景帧或者前景帧；
第一候选阴影区域获取模块，用于由所述当前帧中获取第一候选阴影区域，所述第一候选阴影区域的亮度小于所述背景帧中对应区域的亮度；
第二候选阴影区域获取模块，用于计算所有所述第一候选阴影区域的局部三元模式的阴影检测值，选取局部三元模式的阴影检测值大于第一阈值的第一候选阴影区域作为第二候选阴影区域；
第一计算模块，用于计算各个所述第二候选阴影区域的色调及饱和度检测值和梯度检测值；
阈值估算模块，用于根据计算得到的所述第二候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值估算对应的局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值；
第二计算模块，用于计算各个所述第一候选阴影区域的局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值；
阴影区域选取模块，用于选取所述局部三元模式的阴影检测值、色调及饱和度检测值和梯度检测值均在所述局部三元模式的阴影阈值、色调及饱和度阈值和梯度阈值范围内的所述第一候选阴影区域作为阴影区域。
CN201710986529.9A 2017-10-20 2017-10-20 监控视频图像的阴影检测方法及其系统、阴影去除方法 Active CN107767390B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201710986529.9A CN107767390B (zh) 2017-10-20 2017-10-20 监控视频图像的阴影检测方法及其系统、阴影去除方法
DE112018004661.3T DE112018004661T5 (de) 2017-10-20 2018-10-17 Schattenerkennungsverfahren für ein Überwachungsvideobild, System davon undSchattenentfernungsverfahren
GB2007386.2A GB2583198B (en) 2017-10-20 2018-10-17 Shadow detection method and system for monitoring video images, and shadow removal method
PCT/CN2018/110701 WO2019076326A1 (zh) 2017-10-20 2018-10-17 监控视频图像的阴影检测方法及其系统、阴影去除方法
US16/852,597 US20200250840A1 (en) 2017-10-20 2020-04-20 Shadow detection method and system for surveillance video image, and shadow removing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710986529.9A CN107767390B (zh) 2017-10-20 2017-10-20 监控视频图像的阴影检测方法及其系统、阴影去除方法

Publications (2)

Publication Number Publication Date
CN107767390A CN107767390A (zh) 2018-03-06
CN107767390B true CN107767390B (zh) 2019-05-28

Family

ID=61269788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710986529.9A Active CN107767390B (zh) 2017-10-20 2017-10-20 监控视频图像的阴影检测方法及其系统、阴影去除方法

Country Status (5)

Country Link
US (1) US20200250840A1 (zh)
CN (1) CN107767390B (zh)
DE (1) DE112018004661T5 (zh)
GB (1) GB2583198B (zh)
WO (1) WO2019076326A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767390B (zh) * 2017-10-20 2019-05-28 苏州科达科技股份有限公司 监控视频图像的阴影检测方法及其系统、阴影去除方法
CN109068099B (zh) * 2018-09-05 2020-12-01 济南大学 基于视频监控的虚拟电子围栏监控方法及系统
CN109463894A (zh) * 2018-12-27 2019-03-15 蒋梦兰 配置半月型刷头的全防水式牙刷
CN113628153A (zh) * 2020-04-22 2021-11-09 北京京东乾石科技有限公司 阴影区域检测的方法和装置
CN113111866B (zh) * 2021-06-15 2021-10-26 深圳市图元科技有限公司 一种基于视频分析的智能监控管理系统及方法
CN113870237B (zh) * 2021-10-09 2024-03-08 西北工业大学 一种基于水平扩散的复合材料图像阴影检测方法
CN115351426A (zh) * 2022-08-11 2022-11-18 莆田市雷腾激光数控设备有限公司 一种鞋底激光打标方法及系统
CN117152167B (zh) * 2023-10-31 2024-03-01 海信集团控股股份有限公司 一种目标移除、基于分割大模型的目标移除方法及设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9338409B2 (en) * 2012-01-17 2016-05-10 Avigilon Fortress Corporation System and method for home health care monitoring
US8666117B2 (en) * 2012-04-06 2014-03-04 Xerox Corporation Video-based system and method for detecting exclusion zone infractions
CN105528794B (zh) * 2016-01-15 2019-01-25 上海应用技术学院 基于混合高斯模型与超像素分割的运动目标检测方法
CN107220943A (zh) * 2017-04-02 2017-09-29 南京大学 融合区域纹理梯度的船舶阴影去除方法
CN107230188B (zh) * 2017-04-19 2019-12-24 湖北工业大学 一种视频运动阴影消除的方法
CN107146210A (zh) * 2017-05-05 2017-09-08 南京大学 一种基于图像处理的检测去除阴影方法
CN107220949A (zh) * 2017-05-27 2017-09-29 安徽大学 公路监控视频中运动车辆阴影的自适应消除方法
CN107767390B (zh) * 2017-10-20 2019-05-28 苏州科达科技股份有限公司 监控视频图像的阴影检测方法及其系统、阴影去除方法

Also Published As

Publication number Publication date
WO2019076326A1 (zh) 2019-04-25
US20200250840A1 (en) 2020-08-06
DE112018004661T5 (de) 2020-06-10
GB2583198B (en) 2022-04-06
GB2583198A (en) 2020-10-21
GB202007386D0 (en) 2020-07-01
CN107767390A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
CN107767390B (zh) 监控视频图像的阴影检测方法及其系统、阴影去除方法
CN105788142B (zh) 一种基于视频图像处理的火灾检测系统及检测方法
CN101443791B (zh) 用于在数字图像中的前景和背景之间提供分离的方法和设备
CN103139547B (zh) 基于视频图像信号判定摄像镜头遮挡状态的方法
Benedek et al. Study on color space selection for detecting cast shadows in video surveillance
CN105160297B (zh) 基于肤色特征的蒙面人事件自动检测方法
Pritam et al. Detection of fire using image processing techniques with LUV color space
JP4653207B2 (ja) 煙検出装置
TW201120806A (en) Method of locating license plate of moving vehicle
CN102622763A (zh) 阴影检测与消除方法
JP2008171392A (ja) 映像の境界を検出する方法及びその装置とこれを具現するコンピューターで読み取れる記録媒体
CN109685760A (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
JP2020021300A (ja) 火災監視装置、火災監視システム、および火災監視装置のプログラム
Shidik et al. Multi color feature, background subtraction and time frame selection for fire detection
EP2668615A1 (en) Method of processing images and apparatus
CN108492288B (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
CN102646191B (zh) 一种石油钻井伴生气燃烧火焰图像识别的方法
CN111369529B (zh) 一种物品丢失、遗留检测方法及其系统
CN108154490A (zh) 基于改进模糊集理论的高压输电线路绝缘子图像增强方法
KR101592383B1 (ko) 화염의 온도 분포 특성을 이용한 컬러 영상 기반의 화염 검출 방법
Khan et al. Real-time fire detection using enhanced color segmentation and novel foreground extraction
CN109325946A (zh) 一种危险化学品堆垛监测方法和系统
CN113298027B (zh) 一种火焰检测方法、装置、电子设备和存储介质
Riyadi et al. Vision based flame detection system for surveillance camera
CN114882401A (zh) 基于rgb-hsi模型和火焰初期生长特性的火焰检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant