[发明专利]一种基于多特征融合的车辆阴影消除方法

说明书

 

技术领域

本发明属于一种视频图像处理技术领域，具体的涉及一种基于多特征融合的车辆阴影消除方法。

 

背景技术

智能交通系统中，运动车辆检测和跟踪是一项最基本也很重要的研究课题，伴随运动车辆的阴影问题是其面临的主要挑战。由于阴影的存在，使得在检测过程中，出现运动车辆的合并与丢失（阴影覆盖相邻的车辆），以及车辆形状的扭曲（阴影改变车辆的分割面积），影响各种后续高级处理，如目标分类、行为理解等。目前已有多种阴影消除算法，主要分为两类：一类是基于物体的几何特性，另一类是基于阴影特征。

第一类方法是在已知场景及先验光照模型基础上，利用目标的三维或二维几何模型匹配图像中的车辆/阴影，从而计算出阴影的形状和位置。当车辆形状、光照方向已知时，此类方法能较准确的提取出阴影。但在实时车辆识别系统中，车体形状、光照方向以及车道特征等先验知识的提取都是目前检测系统的难题所在，且计算复杂，因此，这类方法局限性较大，很难在实际系统中采用。

第二类方法是利用颜色、梯度和纹理等特征来识别阴影。这些方法多数是利用阴影的单一特征信息进行判断，往往在场景环境有变化时很难保持鲁棒性。也有少数方法将能区别车辆和阴影的几个特征结合起来进行判断，阴影提取精度得到提升。

经对现有技术文献的检索发现，多特征融合的阴影检测算法在不少文献中被提及，如S.P. Zhu等在《第三届图像与信号处理国际会议》（2010 3rd International Congress on Image and Signal Processing）上发表文章“An Adaptive Shadow Elimination Algorithm Using Shadow Position and Edges Attributes”，该文利用阴影的形状及边缘属性进行阴影消除，文章指出在获得运动前景后对前景范围内的像素点进行HSV转化，利用这三个分量在阴影和车辆范围内的不同表现进行阴影提取，为去除目标内部某些像素点被误判的影响，该文提出利用边缘点的水平和垂直投影进行阴影方向判别，消除类似的误判。文中的试验结果表明，该方法有较好的阴影检测结果，但该方法涉及彩色空间像素点的计算，运算量很大，并且文中对边缘投影点的划分过于简单，对车辆和阴影的连接区域分割效果还有欠缺。

因此，研究一种复杂度低，准确性高，能适用于实际道路环境的多特征融合阴影检测方法，对提高运动车辆检测和跟踪的精度有着积极和重要的影响。

 

发明内容

为克服现有技术中的不足，本发明旨在提供一种基于多特征融合的车辆阴影消除方法，该方法具有检测精度高，复杂度低及适用性强的优点。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于多特征融合的车辆阴影消除方法，采用正对道路的静止摄像头进行目标提取，其包括以下步骤：

步骤1）提取含车辆及阴影的前景目标；

步骤2）对所述前景目标进行滤波处理；

步骤3）检测经所述滤波处理后的前景目标的边缘点；

步骤3）利用大津阈值分割法对所述边缘点的投影序列进行划分，得到车辆和阴影的初步分离面；

步骤4）从所述初步分离面开始用区域生长搜索法利用局部纹理光照不变性的原理完成阴影的精确提取。

以下对本发明方法的作进一步说明：

（1）前景目标的提取

交通场景中摄像头位置固定，光照条件变化不大，检测前景目标时，采用自适应单高斯模型，能很好的实现背景和前景的分离。

（2）前景目标的滤波

自适应单高斯模型法获得的前景区域存在很多噪声，误差的累积传递会给后续算法带来更大的误差，因此需先进行滤波处理，其过程如下：

步骤201）将当前帧和背景帧通过色彩空间转换由RGB空间转化到灰度空间；

步骤202）将转化后的两幅帧分别进行高斯平滑；

步骤203）将高斯平滑后的两幅帧作差，以提取两幅帧的差异；

步骤204）进行二值化处理，得到新的前景图像；

步骤205）将所述新的前景图像与通过自适应单高斯模型获得的前景图像做与运算；

步骤206）进行序贯组合的形态学滤波即先对图像进行闭操作，随后进行对偶开操作，序贯组合形态学滤波能去除斑点噪声；

步骤207）进行形态学填充，得到车辆Blob图及其最小外接矩形。

（3）大津阈值分割法得到车辆/阴影初步分离面