结合HSV与纹理特征的视频阴影消除算法

目的 在视频监控目标检测应用中,场景中的阴影会直接影响目标检测的准确度,因此阴影抑制算法研究显得尤为重要。目前广泛使用的是HSV（hue,saturation,value）阴影抑制方法,但是该方法存在由于亮度比值的阈值不稳定而造成将运动目标也检测为阴影的问题。针对该问题,本文提出了一种结合HSV与纹理特征的视频阴影消除方法。方法 首先将输入的图像使用传统的混合高斯模型建立背景并在灰度空间中提取前景,其次在HSV空间使用亮度比的阈值方法检测阴影,二者综合得到运动目标;针对由于亮度比值的阈值不稳定而导致的前景误检为阴影的问题,采用了LBP（local binary pattern）算子结合大津阈值（OTSU）提取部分运动目标。最后将LBP算子结合大津阈值提取的部分运动目标与HSV空间检测的目标两者相或,最终去除运动目标的阴影。结果 本文选用在CVPR-ATON和CAVIAR标准视频库中多个场景的阴影视频,将本文算法与SNP算法、SP算法、DNM1算法和DNM2算法进行对比仿真,实验结果表明本文算法在阴影检测率和阴影识别率的平均值上提升约10%。结论 本文提出的视频阴影消除算法结合了HSV与纹理特征,可以在不同的环境中有效地去除阴影,运动目标保留完整,可适用于智能视频监控、遥感图像和人机交互中。     

基于弱阈值分割的运动人体阴影去除算法

提出一种基于弱阈值分割的运动人体阴影去除算法。从阈值选取的角度出发,定义强阈值与弱阈值,使用混合高斯模型获取运动前景,在颜色空间与梯度空间中提取弱阈值目标,融合提取出的多个目标区域,经过邻域处理后得到不包含阴影点的运动人体目标。实验结果证明了该算法的有效性。     

空-频域联合投票的交通视频阴影去除方法

交通场景中的静止或运动阴影往往会降低车辆目标跟踪的精度,因此有效地去除阴影是交通监控视频处理的重要环节之一。然而,目前尚无一种能够同时发掘阴影的空间域和频率域特性且抵抗静止和运动阴影干扰的阴影去除方法。为此,提出了一种基于空-频域联合投票策略的交通视频阴影去除方法。首先,将视频帧从RGB颜色空间转换到HSV颜色空间,再进行非下采样剪切波变换;其次,假设变换系数服从高斯分布,采用变换系数的均值和标准差计算每个尺度的加权掩码;然后,根据多尺度变换系数的零树分布特性,利用粗尺度的加权掩码校正细尺度的加权掩码,将各个尺度、各个颜色通道的加权掩码进行线性组合后得到一个公共掩码,再采用基于最小二乘法拟合的最大熵方法计算自适应分割阈值,对公共掩码进行二值化;最后,联合频率域加权掩码、S通道和V通道的掩码进行投票,进而确定去除阴影后的运动车辆区域。实验结果表明,该算法可有效去除交通监控视频中的静态/运动阴影,抑制阴影的干扰,将传统Meanshift算法的输出车辆轨迹与真实轨迹间的平均欧氏距离缩小95%,且未出现目标丢失的现象,增强了智能分析算法的鲁棒性。研究结果说明,该算法有效联合交通监控视频的空间域和频率域表示,充分发掘了运动车辆区域与阴影区域之间的纹理特性和颜色特性差异,有利于获得更精确的阴影去除结果,进而提高车辆目标跟踪的精度。     

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。     

视频图像中运动目标的阴影消除法

针对在视频序列图像中运动目标的阴影造成运动目标的物理变形,影响运动目标的检测与跟踪;同时,由于目前常用的阴影检测算法,总是要先检测到阴影,再分割阴影,需两步才能达到消除阴影目的,难以达到实时检测要求。为此,提出了一种基于视频图像快速阴影消除方法。该方法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,能在视频序列图像中一次性检测到运动目标的同时就消除阴影。实验表明,在户外条件下,该算法是准确有效的。     

基于超像素和局部颜色恒常性的自适应阴影去除

为快速有效地去除监控视频中运动目标的投射阴影,提出了一种基于超像素和阴影区域的局部颜色恒常性的自适应阴影去除算法。首先采用改进的简单线性迭代聚类算法将视频图像中的运动前景分割为互不重叠的超像素;然后计算了RGB颜色空间中背景与运动前景的亮度比率,并分析了阴影区域的局部颜色恒常性;在此基础上,以超像素为基本处理单元,计算亮度比率的标准差,并利用阴影区域标准差的特征及其分布规律提出基于拐点的自适应阈值算法检测并去除阴影。实验结果表明,该算法可以适用于多种真实场景下的阴影检测,且阴影检测率与目标识别率均超过85%;基于超像素处理可以大幅度降低算法的计算复杂度,该算法每帧平均处理时间为20 ms。该算法可以同时满足阴影去除对准确度、实时性和鲁棒性的要求。     

基于码本模型的运动阴影去除算法

运动阴影会导致运动目标前景发生形变或丢失,影响运动目标前景的跟踪和分析。针对该问题,引入码本模型设计运动阴影去除算法。利用在YCb Cr颜色空间内建立的背景码本模型,检测包含运动前景目标和运动阴影的运动区域,并根据运动阴影在YCb Cr颜色空间中的特性得到运动区域中表示运动阴影的像素值,为视频帧中所有不同位置的像素点建立一个具有自适应亮度范围阈值和色度距离阈值的运动阴影码本模型,实现运动阴影的检测和去除。实验结果表明,该算法可有效提高运动阴影的检测率和识别率。     

基于亮度直方图匹配的运动目标检测算法

提出了一种亮度直方图匹配的运动目标检测算法,采用相邻两帧各子块的直方图匹配程度检测运动目标,通过自适应的最大阈值方差法来选取阈值,在HSV色度空间下检测阴影,用形态学方法进行后处理,得到准确的运动目标;实验结果表明该方法是快速有效的。     

基于低秩矩阵分解的运动目标检测

运动目标检测是视频监控任务的基础问题之一,针对灰度信息,目标检测存在的阴影识别能力差、检测精度低等问题,提出在HSV颜色空间下基于低秩矩阵分解的运动目标检测算法.首先将获取的RGB图像转为HSV颜色空间分量,分别对H、S、V通道构建低秩观测量,进行低秩矩阵优化分解,分离出不同颜色通道的前景和背景分量;组合H、S、V通道分量的前景图像,得到粗略的运动目标区域;再采用HSV颜色阴影去除去除前景图像中的阴影;最后经噪声去除和空洞的填充,检测得到准确的前景运动目标.实验验证表明,与其它方法相比,能够有效地提高运动目标检测的准确度.     

结合阴影抑制的混合高斯模型改进算法

混合高斯模型背景法作为运动目标检测的一种经典方法,已经广泛应用于智能视频监控系统中。但是,传统的混合高斯模型背景法容易将阴影误检测为运动目标的一部分。因此,针对该方法在区分阴影和运动目标方面的不足,提出了一种将混合高斯模型背景法和HSV空间阴影抑制相结合的运动目标检测算法。这种改进算法首先将颜色空间转换到HSV空间,初步提取运动目标,然后再利用阴影的灰度值比背景中的灰度值小,而前景的灰度值比背景中灰度值大的特性,检测出运动目标中的阴影。实验结果表明,这种改进的算法明显提高了检测效果,有效抑制了阴影对运动目标检测的干扰,算法实时性也较好。     

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阂值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。     

联合两种颜色空间的阴影检测算法

在视频监控的运动检测中,由于光照、风吹等影响,运动阴影常常被误认为运动对象。为了有效解决动态背景下运动目标中存在的阴影问题,提出了一种归一化的RGB颜色空间和HSV颜色空间相结合的阴影消除方法。该方法首先在归一化RGB颜色空间下用背景减除法得到运动目标,然后在HSV空间下对阴影进行检测和消除,从而得到真实运动目标。实验结果证实：该方法在运动目标检测及跟踪方面取得了较好的效果,对动态背景的视频,能准确、实时地检测出阴影并进行消除。     

基于移动区域的快速车辆检测

提出一种快速的移动车辆目标识别新方法。该方法由移动区域检测、阴影检测和边缘检测三部分组成。首先,采用自适应背景更新的方法在图像中快速检测出移动区域;然后,以此为基础建立阴影的粗模型,阴影检测时只对该区域内的图像采用基于HSV颜色空间的方法进行分析处理;最后,对移动区域和阴影区域进行边缘检测,从移动区域中去除阴影区域,从而准确区分真实车辆和阴影。实验表明,该方法有效地提高了车辆检测效率,能满足实时性要求。     

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。     

基于阴影检测的HSV空间自适应背景模型的车辆追踪检测

在交通监控中，要进行车辆的检测、车流量统计、实时追踪、车速测定等工作，而如何从复杂的背景中分割运动物体是至关重要的一步，目前采用的典型方法是背景相减方法。为了对运动车辆进行准确快速的检测，在研究了目前存在的各种方法之后，提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法，并将其应用于运动物体的分割，同时给出了具体的试验结果。该方法之所以不在传统的RGB空间实现，而在HSV空间实现，因为HSV空间可以提供更丰富的颜色信息。运行试验结果表明，该方法准确率高，适应性强，运算速度快，兼具灵活性，能满足实时检测的需要。     

基于移动区域的快速粗模型阴影检测

阴影检测是运动车辆目标识别与追踪中非常重要的环节.结合基于颜色和模型的两种检测方法,提出一种基于移动区域的快速粗模型阴影检测方法.该方法首先通过改进的背景差分方法快速获取图像中的移动区域,然后在此基础上根据基于模型的方法建立阴影的粗模型,即快速确定阴影区域的粗略区域.阴影检测时只对该区域内的图像采用基于HSV颜色空间的方法进行分析处理.实验结果表明该方法可以有效地提高阴影检测的效率.