[发明专利]一种基于多特征融合的精确运动阴影检测方法

说明书

技术领域

本发明属于视频图像处理领域。

背景技术

在许多计算机视觉方面的应用中，如目标跟踪，目标识别，视频监控，视频压缩等，移动的目标检测是一项基本且重要的任务。背景差分是一种检测运动目标的常见方法。然而，阴影总是随着它们对应的目标一起运动以致于很多背景差分的方法不能准确地将它们分开。不准确的判断可能导致目标合并，目标的形状畸变，甚至是目标丢失。因此，检测和消除阴影区域在视频处理和运动分析领域是非常关键和重要的研究问题。

一般来说，现有的阴影检测方法可根据不同的特点分为四大类：基于色度、基于物理模型、基于几何和基于纹理的方法。基于色度的方法是利用基于阴影区域较暗但几乎保持他们的色度不变的这一假设。单易于实现而且计算开销不大。然而，它们对噪声是敏感的，并且当阴影区域比较暗或者运动的目标与背景有相近的颜色信息时，以上方法是失效的。基于物理模型方法利用一些物理先验知识进行阴影检测，此类方法可以自动地适应复杂场景条件但是需要及时更新阴影模型和用户交互。基于几何的方法利用一些先验知识，如光源，相机位置和目标的几何性质进行运动阴影检测，基于几何的方法不依赖于背景图像作为参考，但需要更多的先验知识和场景的限制。基于纹理的阴影检测方法假设背景图像与阴影区域有类似的纹理而与运动目标有不同的纹理。基于纹理相似的方法独立与颜色信息，并且能抗光照变化。然而，当运动目标和阴影区域与相应的背景区域具有类似纹理信息时该方法是无效的。

最近，多个特征融合成为了该研究领域的一个热点。以蓝色效应和边缘信息对潜在的阴影进行分组，Huerta等人通过分析这些区域的时间和空间相似性检测阴影。Lin等人提出了一个结合纹理和统计模型的运动阴影去除算法，它是通过利用边缘信息和灰度特征进行高斯建模实现的。HAMAD等人使用了颜色和纹理信息来确定阴影区域。该方法分别利用了亮度比和信息熵来描述这两个特征。Boroujeni 等人提出了一种基于分层混合的MLP专家的半监督分类方法来检测运动阴影。该方法构造了包含颜色亮度、平均照度、色彩失真和光畸变的特征向量来表示环境属性。尽管现存的许多方法中利用了不同特征的融合进行阴影检测,但是对相同类型特征的不同度量还没有得到充分的考虑。此外,这些方法的大部分在串行模式下检测阴影像素而不是并行的，以至于多特征之间的相互补充特性未能充分的展现。

发明内容

本发明提供一种基于多特征融合的精确运动阴影检测方法，目的是为了精确的检测监控视频中的运动阴影，使得后续的视频分析与处理不受阴影的影响，提出的方法适用于目标跟踪，目标识别，视频监控，视频压缩等。

本发明采取的技术方案包括以下步骤：

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I_t(x,y)=(I_t(x,y)_r,I_t(x,y)_g,I_t(x,y)_b)的概率为：