一种复杂环境下颜色与梯度综合的阴影检测与去除算法制造技术

本发明专利技术公开了一种复杂环境下颜色与梯度综合的阴影检测与去除算法。在实际视频监控场景中，基于模型的阴影检测方法由于建立模型时需要有场景、目标、光照的先验知识，这是相当困难的，所以该方法一般只能用于较理想的环境，另外由于先验知识并不总是可靠的，大大限制了其应用领域。基于阴影属性的阴影检测方法应用较广，如在背景建模的基础上，利用当前阴影区域比背景暗的特性区分阴影和真实前景。但是该方法的缺点是对光照的强度比较敏感。因此综合阴影不改变背景中梯度的特点，提出了一种颜色、梯度综合阴影检测算法。

【技术实现步骤摘要】
一种复杂环境下颜色与梯度综合的阴影检测与去除算法
本专利技术涉及视频监控领域，具体涉及一种复杂环境下颜色与梯度综合的阴影检测与去除算法。
技术介绍
随着计算机技术的发展，视频监控越来越智能化，智能视频监控系统的一个主要任务是对视频图像中的目标或者感兴趣的部分进行检测、识别、跟踪等。前景的正确提取是视频监控的前提，前景提取的效果会影响后续的目标的识别和跟踪的准确性和稳健性。在真实的应用场景中，目标的阴影会对前景的分割产生影响。阴影导致的错误主要在以下几个方面：目标粘连，将不相连的若干单个目标相互连接在一起；目标形状改变，目标和自阴影往往粘连在一起形成前景目标块，且自阴影形状会随目标的运动和光照方向的变化而变化；目标丢失，当一个目标处于阴影中时，无法被检测出；虚假目标出现，有时自阴影与目标分离时，自阴影成为独立的虚假目标前景。对于阴影检测问题存在着大量的研究，Prati和Mikic等对已有的阴影检测算法进行了综述和评估，其中将阴影检测算法分为四类，分别是：统计无参、统计有参、确定性非模型和模型类。Salvador将阴影检测算法分为两类：一类基于模型，另一类基于阴影特性。阴影检测算法用到场景中的先验知识越多，其局限性就越大。基于模型的方法利用了场景、目标的三维几何结构和光源等已知信息。为了提高算法的鲁棒性和实时性，很多算法直接利用阴影本身的特性，如亮度、颜色、纹理及模式等；还有的方法通过对阴影建立统计模型，利用概率约束条件来检测阴影。
技术实现思路
本专利技术的目的是为了克服现有技术中的不足，提供一种复杂环境下颜色与梯度综合的阴影检测与去除算法，特别是在复杂的背景环境中对前景图像和阴影进行有效识别和去除。本专利技术的目的是通过以下技术方案实现的：一种复杂环境下颜色与梯度综合的阴影检测与去除算法，包括以下步骤：步骤(1)：将采集到的视频帧进行背景差处理，先建立合适的背景模型，再把当前帧与背景模型进行背景差运算，提取出前景图像；步骤(2)：对提取出的前景图像进行边缘腐蚀，边缘腐蚀是一种消除边界噪点，使边界向内部收缩的过程，使前景图像更加完整。得到去除边缘轮廓后的前景目标，用Ms标记通过背景差运算得到前景目标的二值图像，对Ms做数学形态学腐蚀操作，即对二值图像进行消除边界噪点，使边界向内部收缩，使前景图像更加完整，腐蚀后的图像记为Me，即去除边缘轮廓后的前景目标：Me＝MsΘS式中S为腐蚀结构单元；宽度为5至9个像素，采用5×5的方形结构单元；步骤(3)：对去除轮廓后的目标Me进行颜色、梯度检测，判断当前像素是前景像素还是阴影像素；其中基于颜色的阴影检测图记为Mec，基于梯度的方法得到的阴影检测图像记为Met，通过混合方法对Me进行阴影检测后的阴影图像记为Mesh：Mesh＝Mec∩Met；步骤(4)：在步骤(3)的同时，用步骤(1)得到的前景图像和步骤(2)得到的去除轮廓后的目标进行差分运算，得到目标轮廓图像，记为Mc：Mc＝Ms-Me；步骤(5)：对步骤(4)中得到的目标轮廓图像Mc用基于颜色的方法进行阴影检测，基于颜色的方法是将RGB格式的彩色图像分成三个颜色通道，将每一点的像素值用一个三维矢量表示的方法，将其阴影检测图像记为Mcsh，判断当前目标轮廓是前景轮廓还是阴影轮廓；步骤(6)：对步骤(3)和步骤(5)所得到的阴影检测结果进行综合判决，当前景点同时满足这两个阴影检测条件时则判决该点为阴影点，最终的阴影检测图像记为Msh(其中，Msh＝Mesh∩Mcsh)，并去除阴影；阴影去除后的图像记为M(M＝Ms-Msh)；步骤(7)：进行目标重建，获得去除阴影的前景目标。步骤(1)具体包括以下步骤：步骤(201)、对输入视频帧中的每一个像素点都建立K(3≤K≤5)个高斯分布；步骤(202)、每个像素点(x0,y0)，它的历史记录{X1,X2,...,Xt}＝{I(x0,y0)|1≤i≤t}，当前可观察到的像素值变化为：其中，η(Xt,μi,t,∑i,t)为第i个高斯分布的概率密度(均值为μi,t，协方差矩阵为∑i,t)，为分布对应的权重，每个高斯分布的均值为μi,t，方差为σi,t，协方差矩阵近似为：步骤(203)、将K个高斯分布按照优先级ρi,t＝ωi,t/σi排序；步骤(204)、取前B个高斯分布作为背景分布其中wk是第k个高斯模型的权重，T是判决阈值；步骤(205)、通过以下公式判断是否与已有的分布匹配：|Xt-μi,t-1|≤2.5σi,t-1其中，Xt是每一个像素点的灰度值，μi,t-1是t-1时刻混合高斯模型中第i个高斯分布的均值矢量，σi,t-1为第i个高斯分布的标准差；对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算，如果匹配，进行步骤206；如果不匹配，进行步骤207、208、209；步骤(206)、如果一个像素点与高斯分布匹配时，对匹配的分布进行参数更新：步骤(207)、其他不匹配的分布只改变权重，权重按如下规则更新：ωi,t+1＝(1-α)·ωi,t；步骤(208)、若都不匹配，且当前分布的个数小于K时，增加一个新的高斯分布；步骤(209)、若都不匹配，且当前分布的个数等于K时，用新的高斯分布代替优先级最小的高斯分布，以xt作为均值，初始化一个较大方差和较小权重；步骤(210)、对模型的权重进行排序，得到背景模型；步骤(211)、用当前视频帧和背景模型做差，得到前景图像。步骤(3)具体包括以下步骤：步骤(301)、在RGB空间中，将每一点的像素值用一个矢量表示，将前景像素点的矢量方向与相应背景像素点的矢量的差别定义为颜色失真CD(ColorDistortion)和亮度失真BD(BrightDistortion)，表示前景像素点颜色值的在RGB空间的矢量，表示相应背景点颜色值矢量；定义：BD用计算出，其中阴影和高亮区域的检测阈值：TC、TS、TH为CD和BD的阈值，TC和TS的选取与产生阴影的光源的强弱有关；步骤(302)、利用Sobel算子计算每个像素点的一阶梯度，为每个像素在x方向和y方向上的梯度建立一个二维分布的概率统计模型，求出各像素点的梯度的概率密度函数，然后得到该像素点的阴影判别式；最终判别出该像素点是否为阴影点。步骤(7)具体包括以下步骤：步骤(401)、对去除阴影后的图像M用一个可滤掉斑点的结构单元进行膨胀，膨胀后的图像与M进行逻辑与运算，得到去除斑点噪声的目标的二值图像M'，其中，N是膨胀结构元素，初值在结构中心；步骤(402)、针对M'中极小部分阴影被错误的检测成前景和部分噪声不能去除的情况，采用腐蚀或中值滤波的方法去除，滤波后得到的图像记为步骤(403)、将去除噪声的二值图像进行膨胀后，再与前景二值图像取交集，就得到目标重建后的二值图像MR；其中，式中SE为膨胀的结构单元。与现有技术相比，本专利技术的技术方案所带来的有益效果是：本专利技术把基于颜色与梯度综合的思想加入阴影检测算法中，和混合高斯背景模型进行融合，在复杂环境中出现由于阴影造成的目标粘连、形状改变、目标丢失以及出现假目标等情况时，在进行阴影检测、去除、目标前景重建后，这些问题得到了很好的解决。附图说明图1为本专利技术算法的整体结构框图。具体实施方式下面结合附图对本专利技术作进一步详细描述：如图1所示，为复杂环境下本文档来自技高网...

【技术保护点】
一种复杂环境下颜色与梯度综合的阴影检测与去除算法，其特征在于，包括以下步骤：步骤(1)：将采集到的视频帧进行背景差处理，先建立合适的背景模型，再把当前帧与背景模型进行背景差运算，提取出前景图像；步骤(2)：对提取出的前景图像进行边缘腐蚀，得到去除边缘轮廓后的前景目标，用Ms标记通过背景差运算得到前景目标的二值图像，对Ms做数学形态学腐蚀操作，腐蚀后的图像记为Me，即去除边缘轮廓后的前景目标：Me＝MsΘS式中S为腐蚀结构单元；步骤(3)：对去除轮廓后的目标Me进行颜色、梯度检测，判断当前像素是前景像素还是阴影像素；其中基于颜色的阴影检测图记为Mec，基于梯度的方法得到的阴影检测图像记为Met，通过混合方法对Me进行阴影检测后的阴影图像记为Mesh：Mesh＝Mec∩Met；步骤(4)：在步骤(3)的同时，用步骤(1)得到的前景图像和步骤(2)得到的去除轮廓后的目标进行差分运算，得到目标轮廓图像，记为Mc：Mc＝Ms‑Me；步骤(5)：对步骤(4)中得到的目标轮廓图像Mc用基于颜色的方法进行阴影检测，将其阴影检测图像记为Mcsh，判断当前目标轮廓是前景轮廓还是阴影轮廓；步骤(6)：对步骤(3)和步骤(5)所得到的阴影检测结果进行综合判决，当前景点同时满足这两个阴影检测条件时则判决该点为阴影点，最终的阴影检测图像记为Msh(其中，Msh＝Mesh∩Mcsh)，并去除阴影；阴影去除后的图像记为M(M＝Ms‑Msh)；步骤(7)：进行目标重建，获得去除阴影的前景目标。...

【技术特征摘要】
1.一种复杂环境下颜色与梯度综合的阴影检测与去除算法，其特征在于，包括以下步骤：步骤(1)：将采集到的视频帧进行背景差处理，先建立合适的背景模型，再把当前帧与背景模型进行背景差运算，提取出前景图像；步骤(2)：对提取出的前景图像进行边缘腐蚀，得到去除边缘轮廓后的前景目标，用Ms标记通过背景差运算得到前景目标的二值图像，对Ms做数学形态学腐蚀操作，腐蚀后的图像记为Me，即去除边缘轮廓后的前景目标：Me＝MsΘS式中S为腐蚀结构单元；步骤(3)：对去除轮廓后的目标Me进行颜色、梯度检测，判断当前像素是前景像素还是阴影像素；其中基于颜色的阴影检测图记为Mec，基于梯度的方法得到的阴影检测图像记为Met，通过混合方法对Me进行阴影检测后的阴影图像记为Mesh：Mesh＝Mec∩Met；步骤(4)：在步骤(3)的同时，用步骤(1)得到的前景图像和步骤(2)得到的去除轮廓后的目标进行差分运算，得到目标轮廓图像，记为Mc：Mc＝Ms-Me；步骤(5)：对步骤(4)中得到的目标轮廓图像Mc用基于颜色的方法进行阴影检测，将其阴影检测图像记为Mcsh，判断当前目标轮廓是前景轮廓还是阴影轮廓；步骤(6)：对步骤(3)和步骤(5)所得到的阴影检测结果进行综合判决，当前景点同时满足这两个阴影检测条件时则判决该点为阴影点，最终的阴影检测图像记为Msh(其中，Msh＝Mesh∩Mcsh)，并去除阴影；阴影去除后的图像记为M(M＝Ms-Msh)；步骤(7)：进行目标重建，获得去除阴影的前景目标。2.如权利要求1所述的复杂环境下颜色与梯度综合的阴影检测与去除算法，其特征在于，步骤(1)具体包括以下步骤：步骤(201)、对输入视频帧中的每一个像素点都建立K(3≤K≤5)个高斯分布；步骤(202)、每个像素点(x0,y0)，它的历史记录{X1,X2,...,Xt}＝{I(x0,y0)|1≤i≤t}，当前可观察到的像素值变化为：其中，η(Xt,μi,t,∑i,t)为第i个高斯分布的概率密度(均值为μi,t，协方差矩阵为∑i,t)，为分布对应的权重，每个高斯分布的均值为μi,t，方差为σi,t，协方差矩阵近似为：步骤(203)、将K个高斯分布按照优先级ρi,t＝ωi,t/σi排序；步骤(204)、取前B个高斯分布作为背景分布其中wk是第k个高斯模型的权重，T是判决阈值；步骤(205)、通过以下公式判断是否与已有的分布匹配：|Xt-μi,t-1|≤2.5σi,t-1其中，Xt是每一个像素点的灰度值，μi,t-1是t-1时刻混合高斯模型中第i个高斯分布的均值矢量，σi,t-1为第i个高斯分布的标准差；对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算，如果匹配，进行步骤206；如果不匹配，进行步骤207、208、209；步骤(206)、如果一个像素点与高斯...

【专利技术属性】
技术研发人员：苏寒松，龙鑫，刘高华，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12