基于边缘信息及光照方向的阴影检测算法

提出一种基于边缘信息及光照方向的阴影检测算法。该算法通过将HSV和RGB彩色空间的阴影特征相结合进行初步检测,从初步检测得到的阴影中估计光照方向,运用基于边缘信息阴影检测算法检测在光照方向角阈值范围内的阴影区域,实现对运动目标阴影的准确检测,为运动目标后续处理排除阴影干扰。实验结果表明,该算法能较好地抑制噪声,阴影检测效果比传统算法好。     

结合色度和纹理不变性的运动阴影检测

目的：在运动检测中,运动物体产生的阴影常常被错误地检测为运动物体本身,为了将阴影从检测结果中消除,本文提出了一种色度不变性和纹理不变性相结合的运动阴影检测方法。方法：首先从阴影的物理模型出发,直接在RGB颜色空间利用色度不变性来获得候选阴影区域,然后根据颜色信息对候选阴影区域进行分割,对每个子区域,利用一种基于局部二值模式的指标来度量其与对应背景区域的纹理相似程度,进而判断该子区域是否是阴影,从而得到最终的检测结果。结果：在公开测试集上的实验结果表明我们的方法可以有效地检测出运动阴影,相对于几种常用的阴影检测算法具有一定的优势。结论：本文将像素级水平和区域级水平阴影检测方法结合起来,提出了一种结合色度不变性和纹理不变性的运动阴影检测方法。实验结果表明,在多类复杂场景中,本文方法都能有效地将运动阴影检测出来,具有较强的鲁棒性。     

融合色彩比和梯度不变性的运动阴影检测

为解决运动前景的准确分割受运动阴影影响的问题,提出了一种融合色彩比和梯度不变性的运动阴影检测算法。该算法分析了阴影像素的色彩比和区域纹理梯度的光照不变性,利用亮度变化特性和色彩比不变性初步确定候选运动前景中的阴影像素,然后在候选阴影区域利用纹理梯度不变性进行去错处理,两者的结合弥补了单一特征或单一类型特征的阴影检测性能差的缺陷,提高了阴影检测率和阴影分辨率,能够准确地将阴影和前景区别开来。     

基于双阈值的运动阴影检测算法

提出了一种应用于视频图像中运动阴影的检测方法.首先用统计方法建立的背景图像和当前帧图像进行差分;然后采用双阈值对差分图像进行分割,把图像分为背景区,运动区和运动目标与目标阴影的混合区.再利用阴影的位置特征,把阴影分离出来.实验结果表明,该方法能有效检测、去除对监控场景中运动目标的阴影,具有较好的鲁棒性和实时性.     

基于局部纹理不变性的运动阴影去除算法

视频序列运动目标检测过程中,运动目标往往会连同其投射阴影一起被检测为前景,这不利于对运动目标的进一步分类、识别等高层次视觉处理。为了提高运动目标检测的准确性,提出利用局部纹理不变性去除运动目标阴影。首先根据阴影的亮度色度属性分割出疑似阴影区域,然后在疑似阴影区域采用增强的局部纹理描述算子(ILT)提取纹理特征,利用背景在阴影覆盖前后的纹理相似性来去除阴影,最后结合阴影的空间几何属性优化运动目标检测结果。实验结果表明该算法可以有效去除阴影,并且具有较好的实时性。     

彩色与纹理不变性的阴影消除新算法

针对阴影C1C2C3彩色不变性检测法时间开销大的缺陷,提出了改进的D1D2D3模型阴影检测法,减少了算法的时间复杂度;针对阴影LBP纹理不变性检测法在图像纹理不明显时所存在的误检现象,提出了改进的LPTD算子,提高了算法的准确率.进一步将上述两种改进方法进行有效融合,提出了一种阴影消除新算法,采用SUSAN算子去除阴影强边缘,有效解决了强光给阴影检测带来的误差,再通过形态学处理,消除了图像内部孔洞和噪声.实验结果表明,新算法的阴影消除效果更为理想.     

一种基于运动阴影的目标检测算法

运动阴影常被误划为目标并干扰目标的分割和跟踪,所以阴影检测在许多图像监控系统中都非常重要.本文研究传统阴影检测算法.针对传统算法受特定条件约束不能自动适用于不同场景的不足,提出一种在场景特征未知情况下的阴影检测算法.算法综合考虑颜色信息、空间信息和纹理信息,利用阴影的颜色、空间和纹理属性在待分析区域中确定其造成的颜色形变,通过使用颜色形变补偿和纹理校正检测到运动阴影.基于不同图像的实验结果表明该方法的有效性.     

结合区域配对的室外阴影检测

目的 针对现有大多数阴影检测算法在检测细长阴影、自阴影、区分阴影与暗色像素等方面的不足,提出一种新的结合区域配对的阴影检测算法.方法 首先通过均值漂移算法和canny检测算法,分割图像得到每个独立的区域;然后从每个区域中提取纹理和亮度建立单个区域的阴影模型,再从区域对中提取纹理直方图的距离、颜色比(分别在RGB和Lab空间下)以及HSI空间下H和I两通道的比值等特征建立区域对的阴影模型;最后根据上述两个模型运用图割理论检测阴影.结果 实验结果表明,本文算法在阴影检测上的准确率高达85.2%,远高于其他算法,检测速度也比其他算法快34%左右.该算法不仅能有效地检测细长阴影和自阴影,还能较好地区分阴影与暗色像素.结论 提出了一种新的阴影检测算法,通过区域配对的方法实时处理单幅室外图像.实验结果表明,该算法在检测细长阴影、自阴影以及区分阴影与暗色像素等方面有良好的效果.     

基于梯度统计和区域生长融合的运动车辆阴影检测方法

针对在视频对象分割时,运动阴影常被误分为视频对象的问题,提出了一种融合阴影模型和特征的阴影检测方法。用聚类识别的算法提取背景,获得包含阴影的前景,算出前景与背景梯度差。对梯度差投影,根据投影后得到的序列及其差分序列进行阴影区域初步检测,根据初步检测结果,运用区域生长算法搜索出全部阴影。实验结果证明,本方法检测效果好,速度快,能够应用于车辆阴影的实时检测。     

一种基于阴影检测的运动目标分割改进算法

讨论了用于背景减除法的常见颜色模型,针对低饱和度下色度值不稳定的问题,提出一种基于色度、亮度和饱和度空间(IHLS)的改进算法.该方法运用具有饱和度的三维极坐标系统表示颜色的能力,采用饱和度加权色度统计来色度-饱和度关系进行建模,而该饱和度与亮度函数无关.通过CDW2014公开数据集的实验,与基于RGB和HSV的方法进...     

融合纹理特征和阴影属性的阴影检测方法

为了解决智能视频监控中阴影对目标检测、跟踪和识别的影响,提出了一种融合纹理和阴影属性的阴影检测去除算法。分析了像素点在阴影覆盖前后它的纹理变化规律,改进了LBP算子对噪声敏感的缺点,根据像素点基于改进LBP算子的纹理值在当前帧和背景帧的差异检测出候选阴影区域。根据光照模型分析得到阴影点具有相同的亮度比值,根据阴影的亮度比值统计数据排除非阴影点,并在亮度比值空间做区域生长得到完整的阴影区域。实验结果表明,该方法能够快速、准确地检测出重阴影和浅阴影。     

基于背景重建的运动目标检测与阴影抑制

提出了一种静止摄像机条件下的运动目标检测和去除阴影的方法。该方法采用以图像亮度和能量大小为判断依据的分块背景重建方法来快速更新背景,并结合背景相减法,网格化连通域检测,形态学滤波等步骤来检测和提取运动目标,同时运用边缘检测获取阴影边缘信息,并结合形态学运算来去除阴影区域,恢复出完整物体目标。实验结果表明,该方法能够有效地检测出运动目标和抑制阴影。     

改进基于HSV空间的阴影检测算法

为实现复杂视频中前景目标的分割,需要解决前景目标准确提取难题,但在光照情况下,会受到阴影影响。为解决这一难题,提出一种结合高斯混合模型的HSV颜色空间阴影检测算法。对HSV颜色空间阴影检测进行修正,消除对非运动目标区域阴影的误检,加入运动目标轮廓检测,消除运动目标边缘阴影误检,得到运动目标阴影的准确检测。实验结果表明,该算法能有效检测复杂背景下的阴影目标,为获得准确分割前景目标奠定基础。     

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。     

视频监控系统中运动目标的检测和阴影抑制

提出了一种室内静止摄像机条件下的运动目标检测和阴影抑制方法。该方法采用一种自适应的背景估计方法来实时更新背景,用基于概率分类法检测运动目标,并在联合HMMD色彩空间和光度特征来抑制阴影之后,用Sobel边缘检测来修正运动目标。实验结果表明,该方法能够有效地检测运动目标和抑制阴影。     

区域配对引导的光照传播视频阴影去除方法

传统方法在处理自由移动相机捕获视频中的阴影时，存在时空不连贯现象。为解决该问题，提出一种区域配对引导的光照传播阴影去除方法。首先，使用基于尺度不变特征变换（SIFT）特征向量的均值漂移方法分割视频，通过支持向量机（SVM）分类器检测出其中的阴影；然后，将输入视频帧分解成重叠的二维图像区域块，建立其马尔可夫随机场（MRF），通过光流引导的区域块匹配机制，为每一个阴影块找到最佳匹配的非阴影块；最后，使用局部光照传播算子恢复阴影区域块的光照，并对其进行全局光照优化。实验结果表明，与传统基于光照传播方法相比，所提方法在阴影检测综合评价指标上提升约6.23%，像素均方根误差（RMSE）减小约30.12%，且大幅度缩短了阴影处理时间，得到的无阴影视频结果更具时空连贯性。     

基于运动区域检测的运动目标跟踪算法*

针对传统基于模板匹配的运动目标跟踪算法存在着计算量大、模板漂移导致跟踪失败的问题,提出了一种基于运动区域检测的运动目标跟踪算法。该算法通过采用光流法对目标运动区域进行估计,计算出光流场区域的形心,确定待匹配图相匹配范围,再用模板框在已确定区域进行模板匹配跟踪。根据某开放实验室行人录像跟踪实验表明,本算法能够有效解决模板漂移问题,提高了跟踪实时性, 实现了视频对象目标的跟踪。