摘 要： 针对运动目标检测中阴影的存在会导致目标形状扭曲、多个目标之间出现粘连等问题，提出一种基于视频图像的阴影去除方法。该方法在分析阴影产生机理的基础上，根据各像素点YUV空间上的像素模型，计算出带有阴影的目标相对于背景的失真系数，再根据设定的阈值区分出目标的实际轮廓和阴影区域，从而将目标阴影去除。实验结果表明，该方法能够快速检测和去除目标阴影，准确反映出目标的实际轮廓，并能够有效解决目标粘连问题。

0 引言

随着计算机视觉技术、电子技术、通信技术的发展，智能视频监控系统作为一种重要的安全防卫手段在各种场合得到了广泛的应用。运动目标检测是智能视频监控系统中视频图像处理的第一步，运动目标的快速正确检测为目标分割、目标跟踪以及分类和识别等后期处理提供良好条件[1]。然而，视频图像受光照因素的影响比较大，不同强度、不同角度的光源照射在半透明或不透明物体上时，就会产生阴影。由于阴影与物体本身的运动特性相同，所以阴影会被错误地检测为运动物体的一部分。运动目标检测过程中阴影的存在会导致目标检测的精确度降低、目标的真实轮廓发生扭曲、多目标之间出现粘连、目标计数出错等问题，给后期处理造成很严重的问题。因此，阴影检测与去除是智能视频监控系统中亟待解决的关键性问题。

阴影检测主要有基于模型和基于阴影属性两种方法。基于模型的方法[2-3]是假设事先知道目标的几何形状，同时知道光源的各项属性，依据几何方法建立模型检测目标阴影，但这在实际应用中存在一定的局限性。基于阴影属性的方法是直接利用阴影本身特有的属性，比如边缘信息、阴影的亮度、纹理信息、不同的颜色空间等特征来分离目标和阴影，它比基于模型的方法具有更广泛的适用性。Angie WKS等[4]提出了用边界信息去除交通视频中阴影的方法。Hoang M A等[5]根据阴影不改变背景的纹理这一特性，利用基于纹理的方法进行了目标提取，该方法可直接将阴影去除，但运算量大，阈值不易设定。Kollerd等[6]利用阴影的光学特性，并结合纹理特征，采用区域生长的方法来检测阴影，在运动目标外形纹理特征较为简单规范的情况下检测效果较好。刘洋等[7]通过分析运动目标的色度分布规律和纹理互相关性，达到检测并消除阴影的目的，但在亮度低而饱和度高的情况下不适用。Cucchiara[8]利用HSV空间去除阴影，其主要原理是HSV颜色空间清晰地将颜色分为色度和亮度。张霞[9]通过分析阴影与背景的HSV彩色空间中的特性，利用阴影与运动目标在H、S、V三个分量中的不同特点，计算其相应的阈值，运用该阈值进行分割并消除阴影。付萍等[10]利用色度、饱和度和亮度三方面的信息对阴影进行检测和识别，能够检测出较淡的阴影。刘雪等[11]提出基于YUV颜色空间色度畸变和一阶梯度模型的阴影去除算法。马国峰等[12]提出结合YUV色度和亮度分量来去除阴影的算法。刘清等[13]提出YUV颜色空间和图论切割算法相结合的阴影检测去除方法。

以上各种方法在各自设定的条件下都会有相应效果，它们的基本思路是先检测出运动区域，之后从运动区域中检测出阴影，最后消除阴影得到最终的运动目标。本文提出一种基于视频图像的阴影检测去除方法，能够在视频图像中检测到运动目标的同时去除阴影。该方法采用YUV颜色空间，根据各像素点YUV空间上的像素模型，计算出带有阴影的目标相对于背景的失真系数，通过该系数检测出阴影区域并将其去除。

1 阴影检测与去除

1.1 阴影分析

阴影具有两个重要的视觉特征：（1）阴影与背景有明显的区别；（2）运动目标与其阴影具有相同的运动属性。因此，目标阴影被错误检测为前景的概率非常大，将运动目标与其阴影分离是实际应用系统中必须解决的问题。基于阴影属性的阴影检测方法主要是根据阴影区像素信息的变化来实现阴影的检测和去除。

视频图像的输出一般为RGB或YUV格式，RGB格式是将红、绿、蓝三原色按不同的比例混合；YUV格式的三个分量分别描述了图像的亮度、色度和浓度信息。YUV颜色空间已经将亮度分量和色度分量区分开，相比RGB颜色空间来说只需要占用极少的频宽。考虑到计算效率和阴影检测的目的，直接在YUV颜色空间中检测阴影。在YUV颜色空间检测阴影一般基于如下假设[13]：（1）投射阴影的亮度低于背景的亮度；（2）投射阴影的色度和背景的色度相同，或只是稍微改变。

根据阴影的视觉特征以及YUV颜色空间检测阴影的假设，本文提出的基于视频图像的快速阴影检测去除方法的基本思路是：首先提取像素点的亮度分量，并根据目标阴影与背景像素亮度的差别赋予亮度分量适当的权重；再提取像素点的色度和浓度分量，根据目标阴影与背景像素的色度和浓度分量相同或稍有差别的特性检测出阴影。

1.2 像素计算模型及阴影去除方法

设图像中目标像素点F的YUV值为向量EF（EFx，EFy，EFz），阴影像素点I的YUV值为向量EI（EIx，EIy，EIz），图像中背景像素点B的YUV值为向量EB（EBx，EBy，EBz），在YUV空间中的表示如图1所示。这三个向量分别描述了图像背景、图像目标和图像目标阴影在亮度、色度和浓度三方面的信息。

在图1中，γ为向量EB和EF的夹角，β为向量EB和EI的夹角，称γ为目标相对背景的失真系数，β为目标阴影相对背景的失真系数。向量EF和EI称为运动目标向量EM（EMx，EMy，EMz），失真系数γ和β称为运动目标失真系数。在运动目标像素点以及背景像素点的YUV值已知的情况下，可以由下面式（1）计算出运动目标相对于背景的失真系数θ的值：

在实验中发现，如果直接使用式（1）计算出的θ值，在像素点亮度值和饱和度较高情况下，检测结果精度很高。但是，对于亮度值或饱和度很低的像素点，检测结果有很大的误差。在YUV颜色空间中，阴影检测时像素点YUV值的三个分量发挥的作用不完全相同。一方面，由于目标与阴影部分的亮度差别较大，所以需要根据亮度差别的大小适当减小亮度分量的权重，该权重值设为λ；另一方面，由于阴影和背景像素点的色度和浓度分量相同或稍有差别，所以需要适当增大色度和浓度分量的权重，该权重值设为η。考虑到权重λ和η的影响，可以由下面的式（2）代替式（1）来计算出运动目标相对于背景的失真系数θ的值：

实验结果显示，利用式（2）计算的θ值进行阴影检测在亮度值或饱和度很低情况下，检测结果的精度也很高。

运动目标阴影检测算法的具体步骤如下：

（1）输入YUV格式的视频图像帧。

（2）根据YUV空间上的像素计算模型，用式（2）计算出运动目标相对于背景的失真系数θ。

（3）如果θ大于给定阈值Tθ，则判定其为实际目标部分；否则，判定该部分属于阴影区域。

其中，Tθ的取值与目标相对背景失真系数γ以及目标阴影相对背景的失真系数β相关。

2 实验结果与分析

实验过程中所使用视频图像帧的分辨率为640×480和320×240，真彩色格式。运行环境为：Intel?誖CoreTM Duo CPU T6600@2.20 GHz，2 GB RAM，Windows XP操作系统。阴影检测算法各个参数：λ=0.35，η=0.65，Tθ=4。下面从阴影检测与去除、消除目标粘连两个方面进行结果分析。

2.1阴影检测与去除

常用的阴影检测去除方法的步骤是：首先将有运动目标的一帧图像与视频图像的背景帧进行背景差运算，得到运动目标及其阴影的背景差分图。然后对背景差分图进行二值化处理，之后进行阴影去除并通过形态学滤波和区域填充方法去除背景区域中的噪声点和前景目标区域中的孔洞，最终得到去除目标阴影后的检测结果。图2是利用本文提出的阴影检测去除算法对拍摄于大学校园内的视频进行检测的过程。图2（a）是有运动目标的两帧图像，左边是第10帧包括自行车，右边是第15帧包括行人，这两个运动目标都带有阴影。图2（b）显示对（a）中目标及其阴影检测的结果，其中黑色区域为背景部分，白色区域为实际目标部分，灰色区域为目标阴影部分。图2（c）是去除目标阴影后的检测结果，可以看出，行人和自行车的阴影被有效地去除。

从图2处理过程可以看出，本文所提出的阴影检测去除算法能够在视频图像中检测到运动目标的同时去除阴影，与常用阴影去除方法相比，具有快速简单的优势。

2.2 消除目标粘连

当某个目标的阴影与另一个目标距离很接近时，目标检测算法可能会将两个目标误认为一个，导致“目标粘连”，从而使目标计数出错。上面所给出的运动目标的阴影去除算法能有效消除目标粘连，真实反映目标的数量，达到准确检测目标的效果。图3是对某段监控视频第523帧的检测结果，其中图3（a）是未使用阴影去除算法的检测结果，矩形框标识的两个车辆（带有阴影）被误认为一个目标，导致计数出错；图3（b）是使用阴影去除算法后的检测结果，它将带有阴影的这两个车辆准确地识别出来，真实反映了道路上的车辆状况。

3 结束语

本文提出了一种在YUV颜色空间中基于视频图像的阴影去除方法，能够在视频图像中检测到运动目标并同时去除阴影，简化了阴影检测去除过程。实验结果表明，该方法不仅能够有效去除阴影，准确反映目标的实际轮廓，而且能够有效解决目标粘连问题，从而提高目标计数的准确性。在实际应用中，能够满足智能视频监控系统的需求。

参考文献

[1] 张红颖，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，2013，33（1）：31-34．

[2] HORPRASERT T， HARWOOD D， DAVIS L S． A statistical approach for real-time robust background subtraction and shadow detection[C]． In： Proceedings of IEEE ICCV′ 99 Frame-Rate Workshop， Corfu， Greece，1999：1-19.

[3] THIRION J B. Realistic 3D simulation of shapes and shadows for image processing[J]. Graphical Models and Image Processing， 1992，54（1）：82-90．

[4] ANGIE W K S， WONG K K Y， CHUNG R H Y， et al. Shadow detection for vehicles by locating the object shadow boundary[C]. In： The Seventh IASTED International Conference on Signal and Image Processing （SIP 2005），2005：15-17.

[5] HOANG M A， GEUSEBROEK J M. Corlor texture measurement and segmentation[J]. Signal Processing， 2005， 85 （2）：265-275.

[6] KOLLERD D， DANILIDIS K， NAGEL H H. Model-based object tracking in monocular image sequences of road traffic scenes[J]. Computer Vision， 1993，10（3）：257-281.

[7] 刘洋，李玉山，张大朴．基于色度畸变和纹理特征的阴影消除方法[J]．计算机科学，2005，32（9）：211-214．

[8] CUCCHIARA R， GRANA C， PICCARDI M， et al. Detecting moving objects， ghosts and shadows in video streams[J]. IEEE Trans. On Pattern Analysis and Machine Intelligence， 2008，25（10）：1337-1342.

[9] 张霞．视频图像中运动目标的阴影消除法[J]．计算机工程与应用，2013，49（6）：201-204．

[10] 付萍，方帅，徐心和，等．视频监控系统中运动目标检测的阴影去除方法[J]．计算机工程，2007，33（10）：22-24．

[11] 刘雪，常发亮，王华杰．运动目标检测中的阴影去除方法[J]．微处理机，2008，10（5）：116-121．

[12] 马国峰，杨俊红，周兵.基于YUV颜色空间的视频运动检测[J].计算机工程与设计，2008，29（4）：3700-3702.

[13] 刘清，秦秀丽，文松柏，等．YUV颜色空间和图论切割的阴影去除算法[J]．智能系统学报，2010，5（6）：556-560．