基于YCbCr 颜色空间和局部纹理加权的阴影去除方法

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于YCbCr 颜色空间和局部纹理加权的阴影去除方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：为解决传统智能交通系统中由于阴影检测算法的精确性导致错误提取交通参数的问题，提出一种基于ycbcr颜色空间和局部傅里叶变换的阴影检测方法，通过分析阴影区域和背景区域在YCbCr颜色空间的不同特性后，综合考虑YCbCr颜色空间的亮度和色度信息确定候选阴影区域，利用局部傅里叶变换系数各偶数阶矩的纹理差异及加权交叉熵作为纹理相似度的度量方法获得阴影区域和背景区域的优化分割。实验表明，该方法阴影检测的有效率在85.3%以上，并且能很好的满足实时场景要求，为后续交通参数的提取等工作奠定了良好的基础。

关键词：背景差分；颜色空间特性； 交叉熵； 局部傅里叶变换

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）32-7349-05

运动目标的检测是智能交通系统研究中的一个主要内容，它是运动目标跟踪、识别以及交通参数提取的前提和基础，精确的目标检测有利于更好的开发智能交通系统。在运动目标的检测方法中，阴影常伴随运动目标同时被检测出来，由此会产生一系列的问题，例如运动目标合并和运动目标的不完全检测，相邻的目标也可能因为阴影导致漏检，这些问题会影响后续车辆的跟踪和识别。

目前基于视频的运动目标的阴影检测法的研究大致分为两类：其中一类是基于阴影属性的[1-4]，另外一类是基于阴影模型的[5-6]。其中基于阴影属性的检测方法使用光照强度、颜色、纹理、特征点等特征及特征组合来检测阴影，基于模型的方法需要复杂场景、运动目标及光照的先验知识等来建立模型，运算时间复杂度大，基于模型的方法比较适合单一场景下的单一目标的阴影检测。通过比较发现基于属性的阴影检测方法是最稳定的算法。

Cucchiara等人[2-3]使用HSV颜色空间来检测及消除阴影，该算法时间复杂度较小，但对于深色运动目标阴影去除效果较差。Kumar等人[3]在多个颜色空间中比较检测结果，实验效果表明YCrCb颜色空间是最有效地去除阴影的颜色空间，但是存在过去除现象。Leone等人[4]提出基于纹理的阴影消除方法，该算法提取阴影的纹理特征，并结合阴影的光度特性去除阴影，该算法能有效的去除阴影但其运算量比较大。为解决深颜色车辆的阴影去除并降低运算量，该文提出了基于YCrCb颜色空间和局部纹理差异的阴影检测方法，通过分析阴影区域和背景区域在YCbCr颜色空间的不同特性后，综合考虑YCbCr颜色空间的亮度和色度信息来确定候选阴影区域，然后进一步的利用局部傅里叶变换系数各阶矩的纹理差异及加权交叉熵作为纹理相似度的度量方法获得阴影区域和背景区域的优化分割。同时，基于三星SDZ―310P 30X 光学变焦镜头、MV-88000 采集卡建立室内实验环境，并在VC++6.0 开发环境中进行监控软件的开发与算法实验。

1 阴影检测与去除

本文通过分析阴影区域和背景区域在YCbCr颜色空间的不同特性后，综合考虑YCbCr颜色空间的亮度和色度信息来确定候选阴影区域，然后进一步的利用局部傅里叶变换系数各阶矩的纹理差异及加权交叉熵作为纹理相似度的度量方法获得阴影区域和背景区域的优化分割。

1.1 确定候选阴影区域

阴影区域是运动目标在原始背景区域上投射的影子，其只使整体亮度有所下降，并不改变原始背景区域的色调和纹理分布。目前的视频采集设备所采集的图像大多数都是基于RGB颜色空间的，但该空间各分量间相关性高、计算量大、冗余信息多。考虑到YCbCr颜色空间到RGB颜色空间的转换是线性的，且YCbCr颜色空间中亮度分量Y和色度分量Cb，Cr是相互独立的，该文选择在YCbCr颜色空间上结合形态学来获得候选阴影区域。

文献[7]只考虑单个像素点的方法会造成一定程度的漏检和错检，本文从邻域思想出发，并通过直方图确定自适应阈值。

实现步骤为：

1）计算像素点与其8-邻域内像素点Y分量的平均值[IYk（x，y）]，有：

[IYk（x，y）=（IYk（x，y）+IYk（x-1，y+1）+IYk（x，y+1）+IYk（x+1，y+1）+IYk（x-1，y）+IYk（x+1，y）+IYk（x-1，y-1）+IYk（x，y-1）+IYk（x+1，y-1））/9 ] （1）

[ICbk（x，y）]，[ICrk（x，y）]，[BYk（x，y）]，[BCbk（x，y）]，[BCrk（x，y）]的求法类似公式（1）

2）根据阴影在YCbCr空间的颜色特性，其只使整体亮度有所下降，并不改变原始背景区域的色调，因此当像素满足公式（2）时则为阴影像素。

[IYk（x，y）-BYk（x，y）≤TYICbk（x，y）-BCbk（x，y）≤TCbICrk（x，y）-BCrk（x，y）≤TCr] （2）

通过分析阴影区域和前景区域在YCbCr颜色空间的直方图可以得到，阴影区域和背景区域对应像素点的平均差值在50左右，相应的Cb和Cr差值较低，分别在15，20左右，故[TY=50]，[TCb=15]，[TCr=20]。

YCbCr颜色空间检测方法获得候选阴影区域后，必须考虑形态学相关方法进行后处理，如膨胀、腐蚀及连通区域面积判断等。处理之后虽然能够得到比较接近运动目标轮廓的结果，但往往存在部分轮廓丢失的现象，因此，考虑引入交叉熵处理局部纹理差异进一步的进行精确阴影去除，从而得到相对精确、干净和平滑的目标信息。利用颜色信息得到的阴影候选区域的检测结果如图1和图2所示，由实验可知利用YCbCr颜色空间的亮度和色度信息来确定候选阴影区域对于深色和浅色车辆都有较好的去除效果，但是对于运动目标存在过去除现象。

1.2 精确阴影去除

由2.1节算法的实验效果可以看出利用颜色信息能够很好的去除阴影区域，但是美中不足的是存在过去除现象。考虑纹理特征具有一定的规律性：运动目标区域具有丰富的纹理信息，背景路面平坦，纹理变化少。为进一步精确去除阴影，该文引用局部傅里叶变换系数的偶数阶矩作为纹理特征，使用加权交叉熵作为阴影区域和背景区域纹理相似程度的度量来精确去除阴影区域。

1.2.1 相关工作

1）局部傅里叶变换系数

局部傅里叶变换（ local Fourier transform， 简称LFT ）是一种重要的纹理特征提取方法。LFT是由周烽[9]等人提出的、定义在3 * 3图像区域上的离散傅里叶变换， 其变换系数体现了图像灰度的局部变化特性， 也即局部纹理信息。由于不同纹理的LFT系数具有不同的统计特性， 因此依据LFT 系数的统计特性就可以区分不同纹理。纹理图像的LFT系数一般不服从正态分布， 纹理图像的LFT系数是随机变量，其各阶矩则反映了LFT 系数的统计特性， 文献[10]以不同纹理形成的聚类之间的Fisher判据作为评价指标，通过大量实验说明了其偶数阶矩具有较好的纹理鉴别性能， 而奇数阶矩的纹理鉴别性能则较差， 因此本文选用LFT系数的各偶数阶矩作为纹理特征。

LFT系数[F（k|x，y）]的各阶矩是在以像素[f（x，y）]为中心的窗口[Ω]中进行估计，设窗口[Ω]包含n个像素，则LFT系数的1阶中心矩为：

[W1（k|x，y）=1n（i，j）∈ΩF（k|x+i，y+j）]

[m（m≥2）]阶中心矩为：[Wm（k|x，y）=1n（i，j∈Ω）F（k|i+x，j+y）-W1（k|x，y）m]

其中，[k=0，1，2，...，7]是LFT系数的序号，m=1，2，…为矩估计量的节数。

2）交叉熵

设两个系统[S1，S2]里存在多个事件[S1={E11，...，E1n}，S2={E21，...，E2n}]，且每个事件的概率分布为：[p1={p11，...，p1n}，p2={p21，...，p2n}]，则定义他们的交叉熵为【5】

[HS1，S2=i=1n（p1i-p2i）log2p1ip2i]

式中：[HS1S2]为两个系统[S1，S2]内各个事件

概率分布的相似程度，[HS1S2]值越小则表示两个系统越相似，当[HS1S2]为0时表示两个系统的概率分布完全相同。

1.2.2 阴影去除算法

考虑阴影和背景的纹理相似特性，在候选阴影区域中根据局部纹理特征去除阴影。文献[10]提出LFT系数的2阶矩（方差）、4阶矩（峰度）和6阶矩具有较好的纹理鉴别性能；因此本文采用背景和前景像素点8邻域的LFT系数的2，4，6阶矩[BWt（x，y）][FWt（x，y）]（t取2，4，6）作为纹理特征进行分类阴影和目标的依据。令[BWt（x，y）]（t取2，4，6）为背景图像像素点（x， y）的[t]阶矩，其中窗口为3*3区域，[FWt（x，y）]为对应像素点在前景区域中的[t]阶矩，当前帧图像上点[（x，y）]与对应背景点的阶矩交叉熵[HBWt（x，y）FWt（x，y）]定义为：

[HBWt（x，y）FWt（x，y）=t=24，6（PBWt（x，y）-PFWtm，n（x，y））log2PBWt（x，y）PFWt（x，y）PFWtx，y（x，y）]

其中， [PBWt（x，y）=BWt（x，y）/m=-lln=-llBWt（x+m，y+n）]

[PFWtx，y（x，y）=FWt（x，y）/m=-lln=-llFWt（x+m，y+n）]

由于运动目标产生阴影的原理可知某一像素点为阴影像素点的可能性与其距离中心点的距离有关，如图3所示，距离越小的为阴影的可能性越低，因此本文利用此距离对交叉熵进行加权，

[S（x，y）=HBWt（x，y）FWt（x，y）/w（x，y）]

其中[w（x，y）=exp[d（x，y）/max （d（x，y）]0 else] [d（x，y）=（Xc-x）2+（Yc-y）2 0 else]

其中[（Xc， Yc）]为检测目标的最大外接矩形的中心点。[S（x，y）]值越小表示当前像素点与对应背景帧像素点的纹理特征越相似，则点[（x，y）]是阴影像素点的概率越大，设定阈值[TH]，若[S（x，y）

2 实验结果分析

2.1 实验数据集

为了评测本算法的准确性，使用阴影去除算法的经典视频进行实验，本实验在 VC平台上编程实现 ，所用 PC机配置为Pentium D 2 . 8 GHz， 1 G B内存，实验视频为经典视频：Highway I， Highway II， Campus， Laboratory， Intelligent Room。

2.2度量准则

采用文献[8]中提出的阴影检测率[η]和阴影识别率[ε]对该算法的性能来进行定量的评估，定义如下：

[η=TPSTPS+FNS] ，[ε=TPF____TPF+FNF]

其中，下标[S]表示阴影像素，[F]表示前景

像素， [TPS]表示正确检测出的阴影像素点的数量，[FNS]表示把阴影像素错误检测为前景像素点的数量，[TPF]表示被检测为前景像素的数量和被错误检测为阴影像素点数量的差值，[FNF]表示前景像素点被错误检测为阴影像素点的数量。

2.3 实验结果

实验所用视频图像分辨率为320*240，帧率为15帧/秒，选取不同的区域，即四种不同的情况（浅色车辆，深色车辆，阴影造成车辆遮挡，多车辆）作为检测区域，利用Matlab进行仿真分析，如图4到图7所示，实验效果表明，该文所提出的阴影去除方法能够准确的去除阴影，精确分割出运动目标。

2.4 本文方法与常用方法的比较

表1给出了针对相同的5个经典视频，不同方法的算法性能，通过比较可以看出，相比文献[8]给出的的四种检测方法（统计无参数方法SNP，统计带参数方法SP，确定性不基于模型的方DNM1，和确定性不基于模型的方法DNM 2， 本文结合颜色空间和局部傅里叶变换系数偶数阶矩的方法通用性更强，检测精度也有一定程度的提升。

3 结论

本文提出了一种基于YCrCb颜色空间和局部纹理差异的阴影检测方法，该算法利用阴影在YCbCr颜色空间的颜色特性初步定位阴影区域，利用局部傅里叶变换系数各偶数阶矩表示的纹理特征差异及加权交叉熵作为差异的度量来精确划分阴影区域和运动目标，实验选取了5个实验视频，结果表明，本算法鲁棒性强，时间复杂度低，具有很好的实际应用价值。

参考文献：

[1] Cucchiara R， Grana C， NERI G， et al. The Sakbot system for moving object detection and tracking[C] //Video based Surveillance Systems - ComputerVision and Distributed Processing . Boston： Kluwer， 2005： 145-157.

[2] Cucchiara R， Grana C， Piccardi M， et al. Improving shadow suppression in moving object detection with HSV color information[C]//2007 IEEE Intelligent Transportation Systems Conference Proceedings. Oakland： IEEE， 2001： 334-339.

[3] Kumar P， Sengupta K， Lee A， et al . A comparative study of different color spaces for foreground and shadow detection for traffic monitoring system [C] //Proceedings of the IEEE 5th International Conference on Intelligent Trans potation Systems . Washington， DC：IEEE， 2002： 100-105.

[4] Leone A， Distante C. Shadow detecti on for moving objects based on texture analysis[J]. Pattern Recognition， 2007， 40 （4）： 1222-1233.

[5] Mikic I， Cosman P， Kogut G， et al.Moving Shadow and Object Detection in Traffic Scenes.Proc. Int’l Conf. Pattern Recognition， 2000（1）：321-324.

[6] Benedek.C and Sziranyi.T， “Bayesian Foreground and Shadow Detection in Uncertain Frame Rate Surveillance Videos ”，IEEE Trans .Image Processing， 2008，17（4）：608-621.

[7] 张红影，李鸿，孙毅刚.基于混合高斯模型的阴影去除算法 [J] .计算机应用，2013，3（1）：31-34.

[8] Prati A， Mikic C， Trivedi M. Cuccchiara R.Detecting Moving Shadows： Algorithms and Evaluation. In：IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003，25（7）：918-923.

[9] 周烽，封举富，石青云. 一种新的基于局部傅里叶级数的纹理描述子[J] .中国图象图形学报，2001，6（ 10） ： 993-998.

[10] 张志龙，李吉成，沈振康. 局部傅里叶变换系数各阶矩的纹理鉴别性能分析[J]. 中国图象图形学报，2006，1（1）：33-40.