结合区域颜色和纹理的运动阴影检测方法

在视频跟踪中,由于运动阴影和运动对象具有相似的物理特性,现有方法很难区分运动对象和运动阴影.为解决这一问题,本文利用区域间的颜色和像素亮度的关系进行运动阴影的检测,有效克服了以像素为最小检测单位时检测结构容易受到噪声影响的不足;在通过分析运动阴影的物理模型证明局部二值模式(LBP)纹理的光照不变性之后,利用局部二值模式...     

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。     

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。     

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.     

融合线性特征的局部纹理运动车辆阴影检测

提出了一种融合线性特征的局部纹理运动车辆阴影检测方法。首先基于连续帧视频图像信息建立初始背景模型;通过背景差法获取包含阴影的运动目标区域,同时依据该运动区域信息实时更新背景;结合亮度信息,利用改进局部二值模式的纹理算子描述运动区域纹理,并根据海明距离进行粗分类,快速检测出运动区域中的阴影覆盖区;进一步对阴影覆盖区域进行纹理信息的线性特性判断,排除车辆自阴影区域,获取背景阴影,得到真实车辆目标。实验结果表明,该方法提高了阴影和车辆自阴影的检测准确度,且速度快,可满足实时性要求。     

融合颜色和CS-LBP纹理的运动阴影检测

针对现存阴影检测方法存在的实时性和精确性兼顾不周的问题, 提出加权融合颜色和纹理特征的阴影检测方法: 首先利用HSV颜色信息提取疑似阴影点; 其次, 通过阴影的亮度比计算阴影亮度隶属度, 对于高亮度隶属度的疑似阴影点, 直接判定为阴影点, 减少了纹理检测的计算量; 然后对低亮度隶属度的疑似阴影点提取高效的CS-LBP纹理, 并进行纹理匹配, 根据纹理的相似程度及阴影空间分布特点, 计算出纹理隶属度; 最后, 根据实际中纹理随亮度变化的特点, 提出了依据亮度比自适应调整纹理隶属度权重的特征融合方法, 进行有效的阴影检测. 实验表明, 本文方法实时性良好, 可去除自阴影, 分割精度较佳, 隶属度方法的使用, 使本方法对光照变化及噪声更具有鲁棒性.     

一种结合YUV色彩空间和纹理的阴影检测

在传统的智能检测算法中目标检测时,往往阴影和需要被检测的物体一起检测出来,这样会给后续的处理带来诸多的不便,而且易造成较高的虚警率。该文提出了一种结合YUV色彩空间和纹理特征的阴影检测,可以提高阴影检测的稳定性,进而很好的完成阴影检测,达到了实际应用的需求。     

基于颜色和纹理特征背景模型的多层差分运动目标检测算法

提出了一种可以剔除阴影、光照变化影响的运动目标检测算法.该算法分别建立基于颜色和梯度信息的背景差分模型,即为每一个像素建立了基于LBP的纹理特征模型,对于颜色信息采用了一种对颜色测量光度不变性的表示方法,背景模型的更新类似于Stauffer等提出的高斯模型,仅在权值更新中采用了具有滞后作用的策略的更新方法.在前景检测过程中采用了两层的判断过程,在像素层,通过用纹理和颜色的统计模型将每个像素划分为成前景或背景,在第二层,对于颜色特征差分得到前景区域的边界部分统计得到其LBP纹理信息,然后与纹理模型检测得到的同一区域边界的纹理信息进一步比较,剔除由于阴影、光照变化引起的前景误判.     

消除运动物体阴影的最大色度差分检测法

通过分析静止场景中的运动人体及其阴影与背景图像像素亮度、色度值之间的关系,提出了一种最大色度差分运动检测法,用前景图像与背景图像的最大色度差分代替传统的亮度差分,能够在尽量减少运动目标信息损失的条件下,有效地消除运动目标产生的阴影。     

基于区域与光照不变性的运动阴影检测算法

在户外的视频监控系统中，运动目标的阴影降低了系统对目标识别与跟踪的能力。传统的基于像素的阴影检测算法易受噪声的影响。为了提高阴影检测算法的准确性,提出了一种基于区域与光照不变性的运动阴影检测算法。该算法从阴影的物理特性出发,考虑了区域内像素的总体特征。将运动区域采用EM聚类算法进行分块,对其中的小块向邻近的大块进行合并。对其中的每一块，根据阴影区域和相对应的背景区域之间的光照不变性进行阴影检测。实验结果表明，该算法能够很好地抑制噪声，准确地检测出阴影，明显比基于像素的算法有效。     

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。     

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。     

Moving shadow detection and removal for traffic sequences

Segmentation of moving objects in a video sequence is a basic task for application of computer vision. However, shadows extracted along with the objects can result in large errors in object localization and recognition. In this paper, we propose a method of moving shadow detection based on edge information, which can effectively detect the cast shadow of a moving vehicle in a traffic scene. Having confirmed shadows existing in a figure, we execute the shadow removal algorithm proposed in this paper to segment the shadow from the foreground. The shadow eliminating algorithm removes the boundary of the cast shadow and preserves object edges firstly; secondly, it reconstructs coarse object shapes based on the edge information of objects; and finally, it extracts the cast shadow by subtracting the moving object from the change detection mask and performs further processing. The proposed method has been further tested on images taken under different shadow orientations, vehicle colors and vehicle sizes, and the results have revealed that shadows can be successfully eliminated and thus good video segmentation can be obtained.     

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。     

交通场景中车辆的运动检测与阴影消除

提出一种算法框架实现对交通场景中运动车辆的分割。首先,提出一种基于颜色空间的浮动气球模型,用以解决监控场景的自适应背景建模问题,该方法解决了基于参数模型的背景建模方法无法检测驻留物体的问题,并可有效适应监控场景中的光照变化以实现自适应更新;其次,针对通过背景建模和背景差分得到的运动前景区域包含运动车辆阴影问题,提出一种新的阴影检测算法,该算法采用多特征融合的方法实现了对运动车辆的分割。实验结果分析表明,与其他方法相比,该算法框架在背景建模和阴影检测方法具有较好的效果。