0 引言

    運動偵測是視頻分析與理解的基礎(chǔ)研究課題，通過運動偵測可以將目標(biāo)與背景分離開來,，為后續(xù)目標(biāo)的分析與理解奠定基礎(chǔ),。因此,，運動偵測常作為視頻分析的預(yù)處理過程，在視頻分析時,，先對視頻進行運動偵測,，然后再對分離出的目標(biāo)進行深一層的分析理解。運動偵測的方法很多,，通?？梢苑譃?類：幀差法、背景差法和光流法^[1],?？偟膩碚f，光流法在視頻監(jiān)控領(lǐng)域應(yīng)用很少,，因為該方法的復(fù)雜度高,，無法滿足視頻監(jiān)控系統(tǒng)對時效性的要求。幀差法和背景差法在視頻監(jiān)控領(lǐng)域都有廣泛應(yīng)用,。其中,，幀差法的運算效率一般高于背景差法。但是,，幀差法對目標(biāo)的運動速度比較敏感,，如果目標(biāo)走走停停，那么采用幀差法存在丟失運動目標(biāo)的可能,。而且,，幀差法對像素顏色值的變化非常敏感，在處理動態(tài)背景,、光照變化和陰影問題時都存在明顯不足,。背景差法通過訓(xùn)練背景模型可以適應(yīng)動態(tài)背景的變化以及光照的變化，提升運動目標(biāo)檢測的魯棒性,，應(yīng)用也最廣泛,。該方法的關(guān)鍵是建立合適的背景模型，常用的背景建模方法有單高斯模型,、混合高斯模型,、自組織背景模型、貝葉斯模型等^[2-6],。盡管通過構(gòu)建背景模型可以提高背景對環(huán)境變化的適應(yīng)能力,，但是，在實際應(yīng)用中運動目標(biāo)檢測還會受到陰影干擾,，因為影子是與目標(biāo)相關(guān)聯(lián)的,，無法通過建模來消除。對于視頻監(jiān)控系統(tǒng)中的許多應(yīng)用，陰影檢測是提高運動目標(biāo)檢測精度的重要環(huán)節(jié),，是運動偵測方法的重要補充^[7-10],。目前，陰影檢測方面也涌現(xiàn)出了不少研究成果,。如文獻[9]提出了一種多特征融合陰影檢測方法,，融合了光照強度、色度和紋理3個特征來檢測陰影,，使用灰度形態(tài)濾波消除陰影,。文獻[10]使用離散小波變換檢測陰影，借助小波變換的多分辨率屬性,，將圖像分解成4個不同的頻帶,，以相對標(biāo)準(zhǔn)偏差準(zhǔn)則計算自適應(yīng)分割閾值，檢測和消除陰影,。然而,，現(xiàn)有陰影檢測方法還存在過檢測(將目標(biāo)像素點檢測為陰影像素點)和欠檢測(將陰影像素點檢測為目標(biāo)像素點)問題，檢測精度還有待提高,。

    為了解決這一問題,，本文提出了一種多特征融合及最小均方誤差優(yōu)化的陰影檢測方法。該方法的主要貢獻有兩個方面：(1)在相似度度量計算部分,，該方法針對R,、G、B 3個顏色通道提取相鄰幀之間像素點的亮度,、對比度和結(jié)構(gòu)特征,，融合這3類特征生成相似度度量，提高相似性度量對環(huán)境干擾的魯棒性,；(2)在分割閾值求解部分,，該方法引入最優(yōu)化理論，依據(jù)最小均方誤差準(zhǔn)則設(shè)計目標(biāo)函數(shù),，通過最優(yōu)化方法求解最佳的像素點分割閾值,。

    通過這兩個方面的創(chuàng)新，該方法可以有效檢測并消除運動偵測目標(biāo)中的陰影像素點,。

1 運動偵測概述

    在視頻監(jiān)控領(lǐng)域,，考慮系統(tǒng)對運動偵測方法運算效率的要求，通常采用幀差法和背景差法兩類運動偵測方法進行運動目標(biāo)的檢測,，簡要描述如下^[11-12],。

1.1 幀差法

    幀差法也稱為時間差分法,，該方法利用視頻中不同幀之間的差異來檢測運動目標(biāo),。常用的是三幀差法，通過對相鄰的3幀圖像進行差分運算,，檢測視頻中的運動目標(biāo),。該方法主要包括3個步驟：幀間差分,、二值分割和“與”運算。

    (1)幀間差分

    計算第k幀圖像與前面間隔分別為Δk和2Δk的兩幀圖像之間的差分圖像,，記為：

其中,，T_col為對應(yīng)顏色通道上設(shè)置的分割閾值，該閾值通常為一全局量,，可以自適應(yīng)求解,。

    (3)“與”運算

    將兩幅二值圖像進行“與”運算，可以剔除“鬼影”和噪聲干擾,，得到最終的運動目標(biāo)檢測結(jié)果,，表示為：

其中，“&”表示“與”運算,。

    幀差法的優(yōu)點是計算量小,，對運動很敏感。但缺點是受目標(biāo)運動速度影響,，而且對于環(huán)境光照變化和動態(tài)背景也過于敏感,。

1.2 背景差法

2 陰影檢測

    運動偵測除了檢測運動目標(biāo)之外，還會將目標(biāo)的影子檢測出來,。因此,，需要采用陰影檢測方法檢測影子并去除。本文提出一種陰影檢測方法是對運動偵測方法的補充,，也可以說是一個后處理過程,。具體地，對于每一幀圖像,，運動偵測后可以得到一幅目標(biāo)二值掩膜圖像,。其中，值為255的像素點為目標(biāo),，其他像素點為背景,。本文以目標(biāo)像素點為研究對象，先進行連通域搜索,，得到二值圖像中的目標(biāo)列表,。然后對每一個目標(biāo)進行陰影檢測，判斷該目標(biāo)是否存在陰影像素點,。如果存在陰影點,，則將這些像素點置為背景像素點，從而降低陰影對運動偵測的干擾,。本文所述陰影檢測方法依據(jù)相鄰幀之間像素點的亮度,、對比度和結(jié)構(gòu)的多特征融合生成相似度度量，依據(jù)最小均方誤差準(zhǔn)則尋找最優(yōu)解，生成像素點為目標(biāo)或者背景的最終判決,，剔除前述運動偵測階段生成的二值掩膜中的陰影像素點,，實現(xiàn)流程如圖1所示。

2.1 目標(biāo)列表構(gòu)建

    運動偵測得到一幅二值圖像,，將每一幀圖像上的像素點分為兩類,，即目標(biāo)像素點和背景像素點。本文先對二值圖像中的目標(biāo)像素點進行8鄰域連通域搜索,，每一個連通域?qū)?yīng)一個目標(biāo),，這樣構(gòu)建一個目標(biāo)列表，該目標(biāo)列表包含當(dāng)前幀中每一個目標(biāo)的外接矩形框和二值掩膜,。

    記第i個目標(biāo)的外接矩形框為：

    下面針對目標(biāo)列表中的每一個目標(biāo)進行陰影檢測,。

2.2 多特征融合相似度度量

    前述的運動偵測主要依據(jù)像素點不同顏色通道上亮度的變化來檢測變化區(qū)域。事實上,，光照等環(huán)境干擾引起的陰影現(xiàn)象也會導(dǎo)致像素點的亮度發(fā)生變化,。因此，陰影像素點可能會被誤檢為目標(biāo)像素點,。而且,，運動偵測節(jié)點亮度變化的閾值選擇通常是針對整幅圖像的，而事實上場景中不同位置的亮度一般存在較大差異,，也即亮度不均勻,。因此，相同的閾值可能不適合不同位置的目標(biāo)的運動偵測,。為了解決這一問題,，本文對運動偵測得到的二值目標(biāo)掩膜再進行一次判決。這里,，需要對每一個目標(biāo)的二值掩膜區(qū)域構(gòu)建一個相似度度量,，降低圖像整體亮度不均勻?qū)Ψ指铋撝涤嬎愕挠绊憽?/p>

    本文針對R、G,、B 3個顏色通道提取相鄰幀之間像素點的亮度,、對比度和結(jié)構(gòu)特征，融合這3類特征生成相似度度量,。對于第k幀圖像中第i個目標(biāo),，其相似度度量可以表示為：

3 實驗與分析

    下面通過實驗分析來驗證本文所述的陰影檢測方法的性能。首先,，本文選擇Changedetection.net中的shadow子集作為測試數(shù)據(jù)集,。該數(shù)據(jù)集是運動偵測領(lǐng)域的公開測試數(shù)據(jù)集，目前大部分運動偵測算法都是在該數(shù)據(jù)集下進行測試和評價的,，具有權(quán)威性,。shadow子集共包含了6個視頻圖像序列,，分別是backdoor、bungalows,、busStation,、copyMachine,、cubicle和peopleInShade,。這些圖像序列的共同特點是都存在陰影干擾。本文針對這6個視頻圖像序列進行仿真實驗,，實驗平臺為Intel I5臺式計算機,，內(nèi)存為16 GB，操作系統(tǒng)為Windows 7,，軟件平臺為Visual Studio 2013,。運動偵測方法采用的是文獻[6]所述方法。針對運動偵測的結(jié)果,，采用本文所述陰影檢測方法和文獻[9],、[10]所述陰影檢測方法進行陰影檢測，去除陰影,。通過對比3種陰影檢測方法的檢測結(jié)果來評價本文方法的性能,。其中，本文方法中參數(shù)設(shè)置為：t₁=t₂=t₃=1,，Δk=1,。

    圖2展示了3幅視頻幀圖像所對應(yīng)的Groundtruth以及采用3種陰影檢測方法得到的檢測結(jié)果?？梢?，文獻[9]所述方法能夠消除部分陰影，但仍有明顯的陰影存在,，存在欠檢測問題,。文獻[10]所述方法消除陰影的同時還消除了部分目標(biāo)，存在過檢測問題,。而本文方法基本上能夠消除所有陰影,，而且基本上沒有破壞目標(biāo)，所得目標(biāo)檢測結(jié)果與Groundtruth最為接近,。

    為了定量評價本文陰影檢測方法的性能,，本文采用檢測率和檢測耗時兩個指標(biāo)進行性能評價。其中,，檢測率表示為：

其中,，A_S是指檢測到的陰影像素點的總數(shù)，R_S是指檢測正確的陰影像素點比例,，由檢測正確的陰影像素點總數(shù)D_S與實際陰影像素點總數(shù)N_S的商來表示,。D_S具體指檢測到的陰影像素點中不屬于Groundtruth中目標(biāo)像素點的像素點總數(shù),。N_S具體指運動偵測得到的目標(biāo)像素點中不屬于Groundtruth中目標(biāo)像素點的像素點總數(shù)。

    檢測耗時僅指陰影檢測所耗費的時間,，不包括運動偵測耗時,。而且，檢測耗時統(tǒng)計的是平均耗時,，也即一幀圖像進行陰影檢測所耗費的平均時間,。

    圖3具體給出了3種方法對于6個視頻圖像序列的陰影檢測率指標(biāo)對比結(jié)果?？梢?，文獻[9]和文獻[10]所述方法的陰影檢測率指標(biāo)相當(dāng)。這是因為盡管文獻[9]所述方法正確檢測的陰影像素點數(shù)量DS較文獻[10]所述方法偏少,，但檢測到的陰影像素點總數(shù)AS也少于文獻[10]所述方法,，所以最終得到的檢測率指標(biāo)相當(dāng)。而本文方法對每一個視頻圖像序列的陰影檢測率指標(biāo)都高于其他兩種方法,，這是因為本文采用最優(yōu)化理論尋找最優(yōu)解決方案,，虛檢和漏檢的陰影像素點較少。

    表1給出了3種陰影檢測方法對6個視頻圖像序列的檢測結(jié)果,?？梢姡疚姆椒ǖ臋z測正確率明顯優(yōu)于其他兩種方法,，高出排在第二位文獻[9]所述方法17%,。另外，3種方法的檢測耗時差異不大,，本文方法的檢測耗時略高于文獻[9]所述方法,，但低于文獻[10]所述方法。因此,，綜合評價,，本文的陰影檢測方法優(yōu)于所對比的其他兩種陰影檢測方法。

4 結(jié)束語

    本文提出了一種多特征融合及最小均方誤差優(yōu)化的陰影檢測方法,，該方法以運動偵測檢測到的目標(biāo)為研究對象,，設(shè)計了一種多特征融合的相似度度量，具體是針對R,、G,、B 3個顏色通道提取相鄰幀之間像素點的亮度、對比度和結(jié)構(gòu)特征,，融合這3類特征的均值,、方差和協(xié)方差生成相似度度量；同時,，設(shè)計了一種基于最優(yōu)化理論的分割閾值自適應(yīng)求解方法,，依據(jù)最小均方誤差準(zhǔn)則設(shè)計目標(biāo)函數(shù),，通過最優(yōu)化方法求解最佳的像素點分割閾值。該方法可以作為光流法,、幀差法和背景差法等運動偵測方法的后處理步驟,，能夠有效檢測并消除運動偵測目標(biāo)中的陰影像素點。

參考文獻

[1] BEHNIA R,，CLARK D A,，CARTER A G，et al.Processing properties of on and off pathways for drosophila motion detection[J].Nature,，2014,，512(7515)：427-30.

[2] SHINOMIYA K,，KARUPPUDURAI T,，LIN T Y，et al.Candidate neural substrates for off-edge motion detection in drosophila[J].Current Biology,，2014,，24(10)：1062-70.

[3] OHTA N，KANATANI K,，KIMURA K.Moving object detection from optical flow without empirical thresholds[J].IEICE Transactions on Information & Systems,，2015，81(2)：243-245.

[4] NAKAMURA M,，KANEOKE Y,，WATANABE K，et al.Visual information process in Williams syndrome：intact motion detection accompanied by typical visuospatial dysfunctions[J].European Journal of Neuroscience,，2015,，16(9)：1810-1818.

[5] LEE J H，YANG D,，KIM S,，et al.Stretchable strain sensor based on metal nanoparticle thin film for human motion detection & flexible pressure sensing devices[J].Nanoscale，2014,，6(20)：11932.

[6] 余燁,，曹明偉，岳峰.EVibe：一種改進的Vibe運動目標(biāo)檢測算法[J].儀器儀表學(xué)報,，2014,，35(4)：924-931.

[7] 姜建國，李婷,，楊玲敏,，等.c3通道高分辨率遙感圖像陰影檢測算法的改進[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2015,，27(8)：1490-1497.

[8] 段志剛,，屈靚瓊,，田建東，等.基于正交分解的室外光照陰影檢測[J].光學(xué)學(xué)報,，2016(8)：201-209.

[9] CHEN W.Moving shadow detection based on multi-feature analysis and gray-scale morphological filtering[J].Journal of Information & Computational Science,，2014，11(8)：2535-2542.

[10] KHARE M,，SRIVASTAVA R K,，KHARE A.Moving shadow detection and removal-a wavelet transform based approach[J].Computer Vision IET，2014,，8(6)：701-717.

[11] 蔡念,，周楊，劉根,，等.魯棒主成分分析的運動目標(biāo)檢測綜述[J].中國圖象圖形學(xué)報,，2016，21(10)：1265-1275.

[12] 田合雷,，丁勝,，于長偉，等.監(jiān)控視頻中的移動目標(biāo)偵測算法研究[J].合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版）,，2015(12)：1639-1642.

作者信息:

張  涵1,，閆懷平1，張  展2

(1.安陽工學(xué)院 計算機科學(xué)與信息工程,，河南 安陽455000,；2.河南理工大學(xué) 電氣學(xué)院，河南 焦作454000)