1.一种基于颜色和梯度特征的运动阴影检测方法，其特征在于，包括以下步骤：
步骤1：采集t帧初始图像，建立背景模型，得到背景图像；
步骤2：将当前所获取的视频流图像作为输入图像与背景图像差分，检测出运动目标，确定运动目标区域；
步骤3：分别采用基于颜色特征和基于梯度特征的方法对运动目标区域进行阴影检测；
步骤4：将两种方法得到的阴影区域进行与操作和或操作并做形态学处理，确定最终的阴影区域；
步骤5：判断是否结束，如果否，则利用当前输入图像对背景图像更新，返回到步骤2；
如果是，则停止；
所述的步骤1为：
利用当前输入图像的前t帧图像作为背景图像估计的参考图像，利用这t帧图像建立背景模型；
设x1,x2,…,xt为t帧图像中某同一位置的像素点集合，把它们作为背景图像在这一点的一组观测值样本，采用均值位移法获得背景图像这一点的估计值方法为：
给定x的初始值为样本集合中的任意值,核函数 容许误差
ε,采用均值位移法循环地执行下面三步,直至结束条件满足，其中h为均值位移法搜索窗的大小，n为样本点的个数即为t，w(xi)是一个赋给采样点xi的权重，取值范围为非负数；
第一步：计算mh(x)；
第二步：如果||mh(x)-x||<ε,结束循环；
第三步：把mh(x)赋给x，并继续执行第一步；获得mh(x)为背景模型的解，即背景图像在这一点的最佳估计值；
所述的步骤3中基于颜色特征的检测方法为：
步骤a：利用Sobel梯度算子对输入图像运动区域的RGB三通道进行边缘检测，并把RGB三通道的梯度值具有一致变化方向的点作为候选阴影区域的轮廓点，记此时轮廓点的集合为Sc，显然Sc中不仅有阴影的轮廓点，还可能有亮度较低的物体的轮廓点；
步骤b：将图像变换到C1C2C3颜色空间，再对变换后的图像利用Sobel梯度算子进行边缘检测；由于C1C2C3颜色空间对光照不敏感，因此此时得到的轮廓点集合Sm中，只包含物体的轮廓点；
C1C2C3颜色空间定义为
步骤c：综合以上步骤a和b，阴影区域的轮廓点集合Ss=Sc-Sm，从而获得阴影区域的轮廓点集合Ss形成的轮廓内的所有点的集合Sms1；
所述的基于梯度特征的方法为，构造归一化后的梯度矢量图并对前景与背景的梯度矢量图进行比较，从而区分运动目标和其产生的阴影区域；具体的算法如下:
步骤A：计算背景图像的梯度矢量，沿图像水平方向，依次用0°、45°、90°、135°4个方向的Sobel算子与背景图像进行卷积，利用下式计算每一个像素点(x,y)的4个尺度gf,1(x,y)、gf,2(x,y)、gf,3(x,y)和gf,4(x,y)，得到尺度向量gf(x,y)={gf,1,gf,2,gf,3,gf,4|x,y}，gf(x,y)反映了背景图像在该像素点梯度变化的趋势，也是背景梯度的表现形式：
gf,i(x,y)=f(x,y)*Hi(x,y) i=1,2,3,4，
其中f(x,y)为坐标(x,y)上的像素值，Hi(x,y)是0°、45°、90°、135°4个方向上
的Sobel算子，分别为：
步骤B背景图像梯度矢量的归一化：
按照公式 i=1,2,3,4将背景每一像素点的梯度矢量进行归一化，得到归
一化后的梯度矢量 并将归一化梯度矢量存储起来，作为
背景库，根据梯度方向不变性原理，归一化后的梯度矢量是背景的一个固有属性，在可见照度下不随光照而变化；
步骤C：计算当前帧图像的梯度矢量，并归一化：沿当前帧图像水平方向，依次用0°、
45°、90°、135°4个方向的Sobel算子与序列图像进行卷积，计算每一个像素点(x,y)的
4个尺度gc,1(x,y)、gc,2(x,y)、gc,3(x,y)和gc,4(x,y)，得到尺度向量gc(x,y)={gc,1,gc,2,gc,3,gc,4|x,y}，gc(x,y)反映了当前帧图像在该像素点梯度变化的趋势，利用公式：
将其进行归一化，得到矢量
步骤D：计算当前帧图像像素点和背景库中相对应的像素点的归一化梯度矢量的差值d:
采用分割模板 阈值△ε=0.3，将运动阴影从运动目标区域中
分割出来，在分割模板中，标示为1的是运动阴影区域的点；
步骤E：扫描当前帧图像，重复步骤D，直至当前帧图像的整幅图像的归一化梯度矢量与背景图像归一化梯度矢量的比较完毕，实现运动阴影从运动目标区域中的分割，并将运动阴影区域点集合标记为Sms2。
2.根据权利要求1所述的基于颜色和梯度特征的运动阴影检测方法，其特征在于，所述的步骤2为：当前输入图像与背景中对应像素点的RGB分量差值中选择一最大值，标记为DV（x,y）,当DV（x,y）大于阈值TL时，判断（x，y）像素为运动像素，标记为g（x，y）=1，否则标记g（x，y）=0；对于M*N大小的图像，TL的计算公式如下
其中IR(xi,yj)是像素点(xi,yj)的R通道的值，IG(xi,yj)是像素点(xi,yj)的G通道的值，IB(xi,yj)是像素点(xi,yj)的B通道的值；
然后使用形态学方法闭运算对g（x，y）二值图像进行滤波处理，消除由噪声引起的孤立点。
3.根据权利要求1所述的基于颜色和梯度特征的运动阴影检测方法，其特征在于，所述的步骤4中形态学处理过程为：
为进一步改善运动阴影检测结果，对得到的Sms1区域和Sms2区域进行“与”操作和“或”操作，得到“与”图和“或”图，然后，利用连通区域分析得到每个连通区域，称为一个团块，在“与”图中获取每个团块的质心点，然后判断“或”图中的哪个团块含有该质心点，如果含有则保留“或”图中的此团块；最后将“与”图中不含而“或”图中含有的质心点的团块删除，最后对“或”图的结果再进行一次形态学闭运算，得到最终的运动目标。
技术领域
[0001] 本
发明技术涉及一种基于颜色和梯度特征的运动阴影检测方法。技术背景
[0002] 对视频序列中运动物体的分割是许多
机器视觉和视频分析应用的基本任务，例如视频监控、人体探测与
跟踪、多媒体索引以及
视频编码等。精确的运动物体分割也将大大
提高目标跟踪、识别、分类和运动分析的性能。然而在运动目标检测与分割的过程中，由于光线照射物体，会使运动目标产生相应的阴影。产生的阴影会随着运动目标的运动而运动，在进行目标检测时，如果不对阴影进行处理，很有可能会将阴影作为运动目标检测出来，这样，对后期的跟踪、识别造成了很大的干扰。
[0003] 目前，阴影检测方法主要分为基于模型或者基于特征两种。基于模型的方法利用场景、照明和目标的几何特征建立模型，如场景的三维构造、前景物体可用模型描述等，但其只适用于一些特殊的场景，方法局限性大。另外该方法计算复杂，不适于实时的应用。另一方面，基于特征的方法利用图像的颜色、梯度、纹理等特征识别阴影。这类方法一般是先检测运动前景区域，再进一步分成物体和阴影。但现有方法常常只考虑运动目标与阴影单
个特征的区别，导致检测正确率不高。如一种方法为采用HSV颜色空间，认为阴影降低了所
覆盖区域的
亮度值，但
色度和
饱和度值在一定范围内变化，此方法的缺点是对光照变化较
为敏感，如果物体的部分
像素和阴影具有相似的颜色特征，会将物体误判为阴影。也有利用多个特征的联合概率
密度进行建模再与
阈值相比较的方法，但其数据计算量大，耗费时间
多，影响阴影检测的实时性，难以应用到实时场合。
发明内容
[0004] 本发明的目的是提出一种基于颜色和梯度特征的运动阴影检测方法，该方法能适应各种复杂场景，提高阴影检测的准确性和实时性。
[0005] 本发明的技术解决方案如下：
[0006] 一种基于颜色和梯度特征的运动阴影检测方法，其特征在于，包括以下步骤：
[0007] 步骤1：采集t
帧初始图像，建立背景模型，得到背景图像；(【其中t的取值范围为50～300帧，t优选取100帧】
[0008] 步骤2：将当前所获取的
视频流图像作为输入图像与背景图像差分，检测出运动目标，确定运动目标区域；
[0009] 步骤3：分别采用基于颜色特征和基于梯度特征的方法对运动目标区域进行阴影检测；
[0010] 步骤4：将两种方法得到的阴影区域进行与操作并做形态学处理，确定最终的阴影区域；
[0011] 步骤5：利用当前输入图像对背景模型更新，返回到步骤2。
[0012] 所述的步骤1为：
[0013] 利用当前输入图像的前t帧图像作为背景图像估计的参考图像，利用这t帧图像建立背景模型；
[0014] 设x1，x2，…，xt为t帧图像中某同一
位置的像素点集合，把它们作为背景图像在这一点的一组观测值样本，采用均值位移法获得背景图像这一点的估计值方法为：
[0015]
[0016] 给定x的初始值为样本集合中的任意值，核函数 容许误差ε，采用均值位移法循环地执行下面三 步，直至结束条件满足，其中h为均值位移法
搜索窗的大小【h的取值范围10～50，通常取值为20】，n为样本点的个数即为t，w(xi)是
一个赋给
采样点xi的权重，取值范围为非负数，(通常取值为1)
[0017] 第一步：计算mh(x)；
[0018] 第二步：如果||mh(x)-x||＜ε，结束循环；
[0019] 第三步：把mh(x)赋给x，并继续执行第一步；获得mh(x)为背景模型的解，即背景图像在这一点的最佳估计值；
[0020] 所述的步骤2为：前输入图像与背景中对应像素点的RGB分量差值中选择一最大值，标记为DV(x，y)，当DV(x，y)大于阈值TL时，判断(x，y)像素为运动像素，标记为g(x，y)＝1，否则标记g(x，y)＝0；对于M*N大小的图像，TL的计算公式如下
[0021]
[0022] 其中IR(xi，yj)是像素点(xi，yj)的R通道的值，IG(xi，yj)是像素点(xi，yj)的G通道的值，IB(xi，yj)是像素点(xi，yj)的B通道的值；
[0023] 然后使用形态学方法闭运算对g(x，y)二值图像进行滤波处理，消除由噪声引起的孤立点。
[0024] 所述的步骤3为：
[0025] 步骤a：利用Sobel梯度算子对原图像运动区域的RGB三通道进行
边缘检测，并把RGB三通道的梯度值具有一致变化方向的点作为候选阴影区域的轮廓点，记此时轮廓点的
集合为Sc，显然Sc中不仅有阴影的轮廓点，还可能有亮度较低的物体的轮廓点；
[0026] 步骤b：将图像变换到C1C2C3颜色空间，再对变换后的图像利用Sobel梯度算子进行边缘检测；由于C1C2C3颜色空间对光照不敏感，因此此时得到的轮廓 点集合Sm中，只包含物体的轮廓点；
[0027] C1C2C3颜色空间定义为
[0028]
[0029]
[0030]
[0031] C1C2C3是一种色彩特征不变量，它描述的是像素点的色彩配置的函数，像素的特征不变量不受视
角、阴影、表面方向及光照条件等因素的影响。
[0032] 步骤c：综合以上步骤a和b，阴影区域的轮廓点集合Ss＝Sc-Sm，从而获得阴影区域的轮廓点集合Ss形成的轮廓内的所有点的集合Sms1；
[0033] 所述的基于梯度特征的方法为，构造归一化后的梯度矢量图并对前景与背景的梯度矢量图进行比较，从而区分运动目标和其产生的阴影区域。具体的
算法如下：
[0034] 步骤A：计算背景图像的梯度矢量，沿图像
水平方向，依次用0°、45°、90°、135°4个方向的Soble算子与背景图像进行卷积，利用公式6计算每一个像素点(x，y)的
4个尺度gf，1(x，y)、gf，2(x，y)、gf，3(x，y)和gf，4(x，y)，得到尺度向量gf(x，y)＝{gf，1，gf，2，gf，3，gf，4|x，y}，gf(x，y)反映了背景图像在该像素点梯度变化的趋势，也是背景梯度的表现形式：
[0035] gf，i(x，y)＝f(x，y)*Hi(x，y) i＝1，2，3，4
[0036] 其中f(x，y)为坐标(x，y)上的像素值，Hi(x，y)是0°、45°、90°、135°4个方向上的Soble算子，分别为：
[0037]
[0038] 步骤B背景图像梯度矢量的归一化：
[0039] 按照公式 i＝1，2，3，4将背景每一像素点的梯度矢量进行归一化，得到归一化后的梯度矢量 并将归一化梯度矢量存储起来，
作为背景库(后文中背景库与当前图像的梯度矢量比较)，根据梯度方向不变性原理，归一
化后的梯度矢量是背景的一个固有属性，在可见照度下不随光照而变化.
[0040] 步骤C：计算当前帧图像的梯度矢量，并归一化：沿当前帧图像水平方向，依次用4个方向的Soble算子与序列图像进行卷积，计算每一个像素点(x，y)的4个尺度gc，1(x，y)、gc，2(x，y)、gc，3(x，y)和gc，4(x，y)，得到尺度向量gc(x，y)＝{gc，1，gc，2，gc，3，gc，4|x，y}，gc(x，y)反映了当前帧图像在该像素点梯度变化的趋势，利用公式：
[0041] i＝1，2，3，4
[0042] 将其进行归一化，得到矢量
[0043] 步骤D：计算当前帧图像像素点和背景库中相对应的像素点的归一化梯度矢量的差值d：
[0044]
[0045] 采用分割模板 阈值Δε＝0.3，将运动阴影从运动目标区域中分割出来，在分割模板中，标示为1的是运动阴影区域的点；
[0046] 步骤E：扫描整幅图像，重复步骤D，直至整幅图像的归一化梯度矢量与背景图像归一化梯度矢量的比较完毕，实现运动阴影从运动目标区域中的分割，并将运动阴影区域
点集合标记为Sms2。
[0047] 所述的步骤4中形态学处理过程为：
[0048] 为进一步改善运动阴影检测结果，对得到的Sms1区域和Sms2区域进行“与”操作和“或”操作，得到“与”图和“或”图。然后，利用连通区域分析得到每个连通区域，称为一个团
块。在“与”图中获取每个团块的质心点，然后判断“或”图中的哪个团块含有该质心点，如果含有则保留“或”图中的此团块.最后将“与”图中不含而“或”图中含有的质心点的团块删除，最后对“或”图的结果再进行一次形态学闭运算，得到最终的运动目标。
[0049] 所述的基于颜色和梯度特征的运动阴影检测方法，其特征在于，所述其中基于颜色和梯度特征的运动阴影检测方法，只在当前图像上的运动区域的像素点进行阴影检测，
以提高运算速度。
[0050] 有益效果：
[0051] 与
现有技术相比，本发明的有益效果如下：
[0052] 首先，提出了基于mean-shift算法的背景模型，能对场景中有运动目标的干扰和光线变化的情况下提取背景图像，背景模型准确性高。
[0053] 其次，采用基于颜色不变性和基于梯度的方法分别对运动区域进行阴影检测，再对检测到的阴影进行形态学处理，减少了噪声以及其他因素对阴影的干扰，从而提高了阴
影检测的正确性。
[0054] 再次，在后处理过程中，对两阴影区域分别进行“与”和“或”的操作并通过“与”操作后阴影连通区域的质心来确定“或”操作后的阴影连通区域作为最终检测的阴影区域，进一步降低了误检率。
附图说明
[0056] 图2是背景建模流程图；
[0057] 图3是基于颜色特征的阴影区域检测流程；
[0058] 图4是基于剃度特征的阴影区域检测流程。
具体实施方式
[0059] 下面结合附图和具体实施过程对本发明做进一步详细说明，但本发明的保护范围不限于下述的
实施例。
[0060] 实施例1：
[0061] 基于颜色和梯度特征的运动阴影检测方法如图1所示，包括如下步骤：
[0062] 1.建立背景模型
[0063] 获取当前输入图像的前N帧图像中的像素点的颜色特征信息，从输入的第N+1帧图象开始检测目标：当前帧图象象素点作为估计点，根据mean_shift算法，得到估计点属
于背景模型的概率值，并将当前帧象素点作为新采样点更新背景模型，如图2所示。具体又分为以下步骤：
[0064] ①将前N帧图像的每一个像素点(x，y)的像素值做为一样本空间，并分为为q类
[0065] C＝{{ci，wi}}，i＝1，…，q (1)
[0066] 其中ci是像素点的特征值，wi是各类的权重。
[0067] ②计算各分类的权重
[0068]
[0069] 其中li为各类样本点的个数，m为样本点的总数
[0070] ③利用mean-shift(均值位移)算法获得可靠背景模型估计
[0071] i*＝arg max{wi} (3)
[0072] 其中 为最可靠背景模型像素点的估计值
[0073] 如上所述mean-shift(均值位移法)获得可靠背景模型估计方法为
[0074]
[0075] 给定一个初始点x，核函数G(X)，容许误差ε，Mean Shift算法循环的执行下面三步，直至结束条件满足，
[0076] 第一步.计算mh(x)；
[0077] 第二步.如果||mh(x)-x||＜ε，结束循环；
[0078] 第三步.把mh(x)赋给x，并继续执行第一步。
[0079] 获得mh(x)为背景模型像素值的最佳估计值。
[0080] 2、背景差分
[0081] 计算当前输入图像与背景中对应像素点的RGB分量差值中选择一最大值，标记为DV(x，y)如式(5)，当DV(x，y)大于阈值TL时，判断(x，y)像素为运动像素，标记为g(x，y)＝1，否则标记g(x，y)＝0；然后使用形态学方法对g(x，y)二值图像进行滤波处理，同时
去除面积较小的孤立区域、非连通区域。
[0082] DV(x，y)＝max(|I(x，y).c-B(x，y).c|).c＝R，G，B (5)
[0083] 对于M*N大小的图像，TL定义如下
[0084] .c＝R，G，B (6)
[0085] 3、基于颜色和梯度特征的阴影检测
[0086] 根据色彩特征不变量不受视角、阴影、表面方向及光照条件等因素的影响。色彩特征不变量可以从像素点的RGB三通道值变换得到，常用的色彩特征不变量有归一化的rgb颜色空间以及C1C2C3颜色空间。其中C1C2C3颜色空间为：
[0087]
[0088]
[0089]
[0090] 具体方法流程如图3所示。
[0091] 步骤1，根据阴影区域亮度比周围区域低的特点，把亮度低的区域标一记为候选阴影区域。具体来说就是对原图像运动区域进行边缘检测，RGB三通道的梯度具有一致下降方向的点，就认为是候选阴影区域的轮廓点。记此时轮廓点的集合为Sc，显然Sc中不仅有
阴影的轮廓点，还可能有亮度较低的物体的轮廓点。
[0092] 步骤2，先将图像变换到C1C2C3颜色空间，再对变换后的图像进行边缘检测。操作过程类似步骤1。由于C1C2C3颜色空间对光照不敏感，因此此时得到的轮廓点集合Sm中，只包含物体的轮廓点。
[0093] 步骤3，综合以上两步，阴影区域的轮廓点集合Ss＝Sc-Sm。
[0094] 基于梯度特征的阴影检测方法为，构造归一化后的梯度矢量图并对前景与背景的梯度矢量图进行比较，从而区分运动目标和其产生的阴影区域如图4所示。具体的算法如
下：
[0095] 步骤1计算背景图像的梯度矢量，沿图像水平方向，依次用4个方向的Soble算子与背景图像进行卷积，利用式(8)计算每一个像素点(x，y)的4个尺度gf，1(x，y)、gf，2(x，y)、gf，3(x，y)和gf，4(x，y)得到尺度向量gf(x，y)＝{gf，1，gf，2，gf，3，gf，4|x，y}，gf(x，y)反映了背景图像在该像素点梯度变化的趋势，也是路面背景纹理的表现形式。
[0096] gi(x，y)＝f(x，y)*Hi(x，y) i＝1，2，3，4 (8)
[0097] 其中Hi(x，y)为4个方向上的Soble算子。
[0098] 步骤2背景图像梯度矢量的归一化利用公式
[0099] i＝1，2，3，4 (9)
[0100] 将背景每一像素点的梯度矢量进行归一化，得到归一化后的梯度矢量并将归一化梯度矢量存储为背景字典根据梯度方向不变
性原理，归一化后的梯度矢量是背景的一个固有属性，在可见照度下不随光照而变化.
[0101] 步骤3计算当前帧图像的梯度矢量，并归一化.同理，重复步骤1的过程，沿图像水平方向，依次用4个方向的Soble算子与序列图像进行卷积，计算每一个像素点(x，y)的
4个尺度gc，1(x，y)、gc，2(x，y)、gc，3(x，y)和gc，4(x，y)，得到尺度向量gc(x，y)＝{gc，1，gc，2，gc，3，gc，4|x，y}。gc(x，y)反映了当前帧图像在该像素点梯度变化的趋势.将其进行归一化，得到矢量
[0102] 步骤4根据式(8)，将当前帧图像中的像素点的归一化梯度矢量与背景字典库中相对应像素点的归一化梯度矢量进行比较：
[0103]
[0104] 令运动目标的分割模板为F(x，y)，由于受到外界环境和
电磁干扰，往往因此，为了降低这种干扰的影响，需要设定阈值Δε来对背景和运
动目标进行判决
[0105]
[0106] 步骤5扫描整幅图像.重复步骤4，直至完成整幅图像与背景图像归一化梯 度矢量的比较.在分割模板中，标示为1的区域是路面背景阴影区域，标示为0的区域是运动目
标区域.这样就把运动阴影从运动目标区域中分割了出来.
[0107] 说明：所述基于颜色和梯度特征的运动阴影检测方法，只在前景图像上的运动区域的像素点进行阴影检测，以提高运算速度。
[0108] 4、阴影区域的形态学处理
[0109] 分别对得到的基于颜色特征和基于剃度的阴影检测结果进行“与”操作和“或”操作，得到“与”图和“或”图。然后，利用连通区域分析得到每个连通区域，称为一个团块.在“与”图中获取每个团块的质心点，然后判断或图中的哪个团块含有该质心点，如果含有则保留“或”图中的此团块.最后将“或”图中不含“与”图中质心点的团块删除，对“或”图的结果再进行一次形态学处理和连通区域分析，确定最终的运动目标。
