[发明专利]一种基于多特征融合的精确运动阴影检测方法

权利要求书

1.一种基于多特征融合的精确运动阴影检测方法，其特征在于包括以下步骤：

（1）、从原始视频中读取t时刻的单帧图像I_t；

（2）、采用混合高斯模型提取前景F_t与背景B_t；

混合高斯模型使用K个高斯函数对背景图像中的每个像素进行建模，因此，在第t帧中(x, y)处观测到的像素B_t(x,y)=(I_t(x,y)_r,I_t(x,y)_g,I_t(x,y)_b)的概率为：

p(It(x,y))=Σi=1Kωt(x,y)i×η(It(x,y),μt(x,y)i,Σt(x,y)t),---(1)]]>

η(It+1(x,y),μt(x,y)i,Σt(x,y)i)=1|2π·Σt(x,y)i|1/2×e-12(It(x,y)-μt(x,y)i)TΣt-1(x,y)i(It(x,y)-μt(x,y)i)]]>

其中，ω_t(x,y)_i，μ_t(x,y)_i和Σ_t(x,y)_i分别是第t帧的第i个高斯函数的权重，均值和协方差矩阵，Σt(x,y)i=σt2(x,y)iI]]>；

混合高斯模型训练完成之后，将具有最大权重的高斯函数的均值作为背景图像的像素值，背景图像记为B_t，同时以得到I_t中的前景图像F_t；

（3）、对提取的前景和背景进行特征提取；

以亮度约束为前提，提取亮度相似性特征(NCC_t)，色度差异特征(Ch_t)，光度颜色不变量特征(CCC_t)，颜色显著性特征(Sal_t)，熵特征(ΔE_t)和局部二值模式(LBP_t)六个特征，这六个特征涵盖了亮度、颜色和纹理特征。而且，对于每个特征得到一个特征映射；

（4）、构建特征融合图Map_t

我们通过对多个特征映射的线性组合来确定像素的类别，为了得到一致的混合特征映射，每个特征映射都被归一化，融合映射Map_t通过下式建立：

Mapt=16(N(1-NCCt)+N(Cht)+N(CCCt)+N(ΔEt)+N(Salt)+N(1-LBPt)),---(20)]]>

其中N(.) 是归一化操作；一般来说，一个前景图像可能包含运动对象和它们的阴影，因此分类标准遵循如下原则：

Obt(x,y)=1,ifMapt(x,y)>TorMtob(x,y)=10,otherwise,Sht(x,y)=Mt(x,y)and⫬Obt(x,y),---(21)]]>

其中，T为阈值，Ob_t(x,y)和Sh_t(x,y)是运动物体的图像和运动阴影图像的二进制掩膜；Ob_t(x,y)=1表示像素被标记为移动目标，Sh_t(x,y)=1像素被标记为阴影；

（5）、进行空间调整去掉一些错误分类的像素；

为了矫正特征融合后产生的错误分类，我们采用空间调整来提高阴影检测准确率；阴影检测过程中，检测到的阴影区域包括许多正确分类的区域，一些被错误定义的小斑点，类似的情况在检测到的目标区域也会出现，为彻底消除这些小错误分类的斑点，一个连通区域标记算法被用来标记不同的区域，然后，采用尺寸过滤器去除错误斑点，这样，一些孤立的错误区域得到了矫正。