基于GMM和MRF的自适应阴影检测*

闵华清 吕居美 罗荣华 陈聪

(华南理工大学计算机科学与工程学院，广东广州510006)

视频序列中运动目标的准确检测对智能监控、基于内容的视频编码以及人机交互等应用非常重要.然而，潜在的因素如由运动目标投射形成的移动阴影、光照变化以及深色目标误分类为阴影都将会影响目标提取的准确性.因此目标提取算法［1］必须具有足够的健壮性以应对移动阴影、光照变化和伪阴影等问题.

混合高斯模型(GMM)是当前最为流行的目标提取方法，对于摄像头固定、目标相对于背景比较突出的情况具有较好的分割效果.Stauffer等［2］提出了一种更一般的混合高斯背景建模方法，在学习模型参数过程中，用在线K均值近似的方法代替了严格的期望最大化(EM)算法，提高了混合高斯模型的学习效率.Martel-Brisson等［3］利用混合高斯聚类思想进行阴影抑制，调节参数学习率，试图使阴影收敛于某一个高斯分布.但这些模型均基于单独的像素点建模，没有包含空间的邻域信息.

充分利用像素的邻域信息对提高阴影检测的准确性与效率具有十分重要的意义.文献［4］中将颜色信息和边缘信息结合起来，在HSV(Hue，Saturation，Value)颜色空间根据物体的对称信息进行阴影检测，但该方法只适用于形状对称的物体，且在复杂背景中效果不理想.Kato等［5］针对汽车跟踪问题提出了基于隐马尔科夫模型/马尔科夫随机场(HMM/MRF)的运动分割方法，该方法利用HMM模型建立各图像区域在时间上的相互关系，并将……