【正文】 信息技術(shù)，2002，26(12)：78。碩士學(xué)位論文，江蘇大學(xué)，2008[19] 王軍利，王樹(shù)根。碩士學(xué)位論文，北京交通大學(xué)，2008[17] Cucchiara R, Grana C, Piccardi M, et al. Detecting moving objects, ghosts and shadows in video streams[J]. IEEE Trans. on Patt. Anal. and Machine Intell, 2003, 25 (10): 13371342[18] 耿劍鋒。微處理機(jī)，2008，10(5)： 116121[16] 王寧。計(jì)算機(jī)與信息技術(shù)，2007，5(5)： 6569[15] 劉雪，常發(fā)亮，王華杰。計(jì)算機(jī)應(yīng)用，2008，28(12)：31413143[13] Gevers T, Smeulders AWM. Colour based Object recognition[J]. Pattern recognition, 1999, 32 (3): 453464[14] 黃建清，李中益，張利珍。碩士學(xué)位論文，吉林大學(xué)，2006[8] Nadimi S, Bhanu B. Physical models for moving shadow and object detection in video[J]. IEEE Transactions on PAT ERN Analaysis And Machine Intelligence,2004,26(8):10791087[9] Angie WKS, Wong KKY, Chung RHY, et al. Shadow Detection for Vehicles by Locating the Object Shadow Boundary[A]. In: The Seventh IASTED International Conference on Signal and Image Processing (SIP 2005)[C]. August 1517, 2005[10] Bevilacqua A, Roffilli M. Robust denoising and moving shadows detection in traffic scenes[A]. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C]. Dec 914, 2001[11] Hoang M A, Geusebroek J M. corlor texture measurement and segmentation[J]. Signal Processing, 2005, 85 (2): 265275[12] 胡園園，王讓定。研究生學(xué)位論文，中國(guó)海洋大學(xué)，2008[7] 陳永康。博士學(xué)位論文，浙江大學(xué)，2003[6] 何東曉。碩士學(xué)位論文，中北大學(xué)，2005[5] 潘翔。碩士學(xué)位論文，國(guó)防科學(xué)技術(shù)大學(xué)研究生院，2007[4] 張楊。碩士學(xué)位論文，國(guó)防科學(xué)技術(shù)大學(xué)研究生院，2006[3] 吳亮。碩士學(xué)位論文，西安電子科技大學(xué)，2005[2] 楊健全。參考文獻(xiàn)[1] 趙俊。(3) 混合高斯模型方法仍可以加快其背景更新的速度，目前混合高斯模型對(duì)背景模型和前景模型都進(jìn)行了建模，可以考慮有選擇性的建模更新，從而增強(qiáng)算法的適應(yīng)性。如何使多個(gè)攝像機(jī)協(xié)同工作，有效地發(fā)揮多視角的作用從而提高檢測(cè)的精確度，是以后工作中需要重點(diǎn)考慮的問(wèn)題。 展望由于智能監(jiān)控系統(tǒng)是一項(xiàng)涉及很多項(xiàng)學(xué)科的技術(shù)，如何使智能監(jiān)控系統(tǒng)的魯棒性更強(qiáng)、準(zhǔn)確度更高和處理速度更快是一個(gè)長(zhǎng)期的研究課題。(3) 在詳細(xì)分析了陰影產(chǎn)生的機(jī)理以及視覺(jué)特征的基礎(chǔ)上，對(duì)目前已經(jīng)存在的陰影檢測(cè)算法進(jìn)行了總結(jié)概括。(2) 根據(jù)視頻監(jiān)控系統(tǒng)多為靜止的情況，選擇了以混合高斯模型為基礎(chǔ)的RGB顏色空間檢測(cè)方法。本文以運(yùn)動(dòng)目標(biāo)檢測(cè)和陰影去除相關(guān)的關(guān)鍵技術(shù)為研究?jī)?nèi)容，旨在實(shí)現(xiàn)精確、穩(wěn)定的運(yùn)動(dòng)目標(biāo)檢測(cè)和陰影去除算法，以期為實(shí)現(xiàn)各種高層理解做好準(zhǔn)備。智能視頻監(jiān)控是利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)視頻信號(hào)進(jìn)行處理、分析和理解，在不需要人為干預(yù)的情況下，通過(guò)對(duì)圖像序列自動(dòng)分析監(jiān)控場(chǎng)景中的變化進(jìn)行定位、識(shí)別和跟蹤，并在此基礎(chǔ)上分析和判斷目標(biāo)的行為，在異常情況發(fā)生時(shí)及時(shí)發(fā)出警報(bào)或提供有用信息，有效地協(xié)助監(jiān)控人員處理危機(jī)，并最大限度地降低誤報(bào)和漏報(bào)現(xiàn)象。雖然監(jiān)控系統(tǒng)己經(jīng)廣泛地存在于各公共場(chǎng)所，但實(shí)際的監(jiān)控任務(wù)仍需要較多的人工完成，而且現(xiàn)有的視頻監(jiān)控系統(tǒng)通常只是錄制視頻圖像，提供的信息是沒(méi)有經(jīng)過(guò)解釋的視頻圖像，只能用作事后取證，沒(méi)有充分發(fā)揮監(jiān)控的實(shí)時(shí)性和主動(dòng)性。雖然投射的陰影部分基本都被去掉了，不過(guò)也有一些不屬于陰影的部分但與陰影部分顏色十分相似的目標(biāo)區(qū)域也被去掉了，在目標(biāo)區(qū)域留下了空洞。(a)所示是所拍攝的圖像序列的原始圖像，(b)為未進(jìn)行陰影去除所得到的運(yùn)動(dòng)前景檢測(cè)結(jié)果，(c)為根據(jù)本文說(shuō)討論的基于RGB顏色模型進(jìn)行陰影去除后所得到的二值圖。 實(shí)驗(yàn)結(jié)果為了驗(yàn)證基于RGB顏色空間陰影去除算法的可行性，我們對(duì)所拍攝的圖像序列進(jìn)行了實(shí)驗(yàn)，待檢測(cè)的圖像序列的分辨率為640480像素，實(shí)驗(yàn)平臺(tái)為MATLAB軟件。 去除斑點(diǎn)的結(jié)構(gòu)單元(2) 針對(duì)M’中極小部分陰影被誤檢成前景，還有部分噪聲不能很好被去除的情況，可采用數(shù)學(xué)形態(tài)學(xué)濾波的方法去除，濾波采用的方法根據(jù)噪聲、目標(biāo)大小而定。 前景目標(biāo)去噪與重建盡管采用基于RGB顏色空間的陰影檢測(cè)方法能夠較好的對(duì)陰影進(jìn)行去除，但總有一些前景像素會(huì)被錯(cuò)誤地檢測(cè)為陰影像素，這樣就會(huì)造成前景目標(biāo)的失真，數(shù)學(xué)形態(tài)學(xué)理論可以用來(lái)重建原始圖像。這里我們采用模型： （） （） （）其中，、的取值范圍均為。由于圖像的顏色不變性，所以無(wú)論是在陰影區(qū)域還是在光線下，每個(gè)像素點(diǎn)的顏色特性都是一定的。所以，我們運(yùn)用顏色的不變性來(lái)檢測(cè)并去除陰影。(2) 協(xié)方差差分算子協(xié)方差算子可以通過(guò)對(duì)直接差分算子的改進(jìn)而得到。(1) 直接差分算子，設(shè)中心像素的位置為(i,j)，相應(yīng)的顏色分量值為f(i,j)，則差分算子表示為： （） 高斯拉普拉斯模板(i1, j1)(i1, j)(i1, j+1)(i, j1)(i, j)(i, j+1)(i+1, j1)(i+1, j)(i+1, j+1)該算子的數(shù)學(xué)意義就是用高斯拉普拉斯模板與彩色圖像上的各顏色分量作卷積運(yùn)算，卷積運(yùn)算的結(jié)果用T表示，它可作為判斷某一個(gè)像素點(diǎn)是否位于陰影區(qū)域的閾值。陰影是有顏色的，但由于遮擋，一般情況下，陰影區(qū)域中的像素亮度值要比非陰影區(qū)域小，特別是R、G二個(gè)分量都比較小。因此本文就直接利用RGB顏色空間來(lái)去除陰影的。在RGB顏色空間中，處于陰影中的像素點(diǎn)大多數(shù)都有以下特征[18]：(1) RGB分量的值相對(duì)于背景都降低了，而且與背景像素值成線性關(guān)系；(2) 在陰影中RGB的值所占的比例與背景中所占的比例大致相似；(3) 在陰影中R分量和G分量下降的幅度要相對(duì)大于B分量，所以陰影區(qū)域中R、G顏色分量的像素亮度值都比較小，主要原因是在以太陽(yáng)光為光源的攝像過(guò)程中，外界環(huán)境對(duì)藍(lán)色光分量的散射是比較強(qiáng)的。因此，有些情況下采用HSV顏色模型來(lái)計(jì)算陰影會(huì)失效。這種情況下，HSV分量的變化就不能反映出陰影區(qū)域的光學(xué)特性，因此基于HSV的陰影檢測(cè)系統(tǒng)將會(huì)產(chǎn)生檢測(cè)錯(cuò)誤。從上面所討論的來(lái)看，HSV模型似乎更適合用來(lái)進(jìn)行陰影的檢測(cè)，但是經(jīng)過(guò)實(shí)際應(yīng)用可以發(fā)現(xiàn)：如果當(dāng)背景圖像中某幾個(gè)像素的RGB值相等，則此像素轉(zhuǎn)化為HSV模型之后，計(jì)算出的H值和S值均為0。由于HSV三個(gè)分量是獨(dú)立的，可以分開(kāi)來(lái)單獨(dú)考慮。通常實(shí)驗(yàn)中所用的視頻都是基于RGB顏色空間的，但在文獻(xiàn)[17]中利用HSV顏色空間去除陰影，從陰影的特性看起來(lái)采用HSV模型似乎很適合用來(lái)陰影的檢測(cè)，且該顏色空間能夠很好地分離色度和亮度成份。在RGB顏色空間中，彩色圖像的三個(gè)分量不僅代表色調(diào)和亮度，而且還存在著很大的相關(guān)性。這樣就可以不用遍歷整幅圖像，從而減小系統(tǒng)開(kāi)銷了。通過(guò)運(yùn)動(dòng)目標(biāo)檢測(cè)以及一些后處理操作，已經(jīng)能夠得到包含運(yùn)動(dòng)目標(biāo)和陰影的前景圖像。對(duì)于當(dāng)前幀的每一個(gè)像素點(diǎn)值Xij,t，相對(duì)應(yīng)的背景像素點(diǎn)值為Bij,t，則可由公式()得到前景二值圖像FG： ()其中，1表示前景區(qū)域，即運(yùn)動(dòng)目標(biāo)；0表示背景區(qū)域。而陰影區(qū)域的像素色度并沒(méi)有明顯變化，即在一定的亮度條件下，同一物體在陰影區(qū)域和不在陰影區(qū)域的色度是接近一致的。根據(jù)色度反射模型，給定點(diǎn)對(duì)于波長(zhǎng)的反射光可表示為： （）其中表示波長(zhǎng)周圍的反射光；表示波長(zhǎng)的體反射光；表示波長(zhǎng)表面的反射光。在本影區(qū)域中，由于物體遮擋住了直射的太陽(yáng)光，所以只有天空的散射光。但實(shí)際上，對(duì)于彩色的圖像來(lái)說(shuō)，像素點(diǎn)的亮度是由RGB這三個(gè)通道的值來(lái)決定的，陰影區(qū)域中的像素點(diǎn)和非陰影區(qū)域的像素點(diǎn)的差別除了在亮度上還有角度上也有差別。本論文中主要是分析陰影的光學(xué)特性，并且以此為依據(jù)檢測(cè)運(yùn)動(dòng)目標(biāo)的陰影。 陰影的光學(xué)特性陰影的特性主要分為光學(xué)特性和空間特性?；陬伾年幱叭コ饕抢棉D(zhuǎn)化顏色空間的方法來(lái)去除亮度的影響從而去除陰影的。紋理信息的陰影去除主要基于被陰影覆蓋的背景區(qū)域與覆蓋前相比只是亮度顯著變化，而紋理基本保持不變這一特性。在文獻(xiàn)[9]中，Angie 。 基于陰影屬性的陰影檢測(cè)算法基于陰影屬性的算法是直接利用陰影本身特有的屬性，比如邊緣信息、陰影的亮度、紋理信息、不同的顏色空間等?；谀Ｐ偷姆椒ㄓ捎诰哂心撤N知識(shí)模型的支持，會(huì)取得效果相對(duì)較好的檢測(cè)結(jié)果，但是其模型往往非常復(fù)雜，尤其在背景比較復(fù)雜、光照條件比較差的場(chǎng)合下，模型的復(fù)雜度和計(jì)算時(shí)間都會(huì)迅速增加。Nadimi S和Bhanu B在文獻(xiàn)[8]中提出的方法是一種依據(jù)照明和反射的物理模型方法，它不依賴物體、背景的類型和畫(huà)面的幾何性，但是需要訓(xùn)練，計(jì)算場(chǎng)景中來(lái)自陰影的每個(gè)背景表面的顏色向量。一旦得到陰影的顏色模型，它就可以對(duì)連續(xù)幀中的視頻用零視差約束的方法進(jìn)行陰影檢測(cè)。Jeong K等提出利用雙目攝像機(jī)來(lái)去除陰影的方法。 基于模型的陰影檢測(cè)算法基于模型的算法，需要事先利用場(chǎng)景、運(yùn)動(dòng)目標(biāo)的三維幾何結(jié)構(gòu)和光照等方面的已知信息建立陰影模型，然后根據(jù)陰影模型可以精確地計(jì)算出陰影的形狀和位置。因此，近年來(lái)陰影檢測(cè)成和去除成為智能視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)技術(shù)中研究的一個(gè)重要問(wèn)題。這樣就會(huì)產(chǎn)生與陰影有關(guān)的一系列問(wèn)題，如陰影會(huì)造成：(1) 運(yùn)動(dòng)目標(biāo)形狀的變化，即目標(biāo)和陰影常連成一塊形成前景的目標(biāo)塊，陰影形狀會(huì)隨目標(biāo)的運(yùn)動(dòng)和光照方向的改變而發(fā)生改變，所以造成目標(biāo)形狀改變；(2) 目標(biāo)的合并，即陰影會(huì)把不相連的若干單個(gè)目標(biāo)相互連接在一起；(3) 目標(biāo)丟失，即運(yùn)動(dòng)目標(biāo)落在另一個(gè)運(yùn)動(dòng)目標(biāo)的陰影里；(4) 假目標(biāo)的出現(xiàn)，即目標(biāo)與陰影分離時(shí)，陰影成為獨(dú)立目標(biāo)。目前的運(yùn)動(dòng)目標(biāo)檢測(cè)方法之所以都不能區(qū)分運(yùn)動(dòng)目標(biāo)和運(yùn)動(dòng)陰影，這是由于陰影具有兩個(gè)重要的視覺(jué)特征：(1) 陰影明顯地不同于背景，而在運(yùn)動(dòng)目標(biāo)檢