基于HSV空间阴影去除方法研究与应用

高东旭，曹江涛，李 平

（辽宁石油化工大学 信息与控制工程学院,辽宁 抚顺 113001）

基于HSV空间阴影去除方法研究与应用

高东旭，曹江涛，李 平

（辽宁石油化工大学 信息与控制工程学院,辽宁 抚顺 113001）

在智能视频监控系统中，运动阴影如果被误判为运动目标，将会影响到场景中运动目标的准确提取、跟踪和预测。针对这一问题，设计了一种基于HSV颜色空间的阴影去除方法。方法首先将背景差法和三帧差分法相结合，用于提取运动目标，再将提取的含有阴影的运动目标区域映射到其HSV色彩空间，通过与背景和相邻帧的亮度、饱和度比较，实现对阴影区域的检测和去除,处理过程中无需提前确定特征判别参数。将所设计的方法在标准高速公路视频数据库中进行测试并应用于实时的视频监控系统，验证结果表明该方法能更加有效的消除阴影，从而准确的检测出运动目标，同时方法对光线变化具有一定的鲁棒性。

视频监控；运动目标检测；实时；HSV颜色空间；阴影消除

阴影与运动目标具有相同的运动性质，但其纹理特征、边缘轮廓以及亮度等信息却有较大的区别。目前的阴影检测方法主要从以下两方面入手：一类是基于阴影的模型的方法[1],其原理是通过建立一个阴影的统计模型来判断图像内像素点是否为阴影区域；另一类是基于特征的方法[2]，其原理是通过采用图像的色调、颜色、亮度、灰度等信息来进行判断。由于建立阴影模型通常比较复杂而困难，而且耗时大，因此在实时的智能视频监控系统中都是采用基于特征的方法来进行阴影消除。

在不同的颜色空间，阴影与运动目标具有不同的特性：张超等采用了一种基于RGB色彩空间的阴影检测方法[3]，在RGB（红、绿、蓝）色彩空间中，任何一种颜色都可由RGB三原色按一定的比例构成，阴影也是有颜色的，但是当运动目标和阴影具有相同的颜色时，采用这种方法则不能很好的分离出运动目标的阴影；王小鹏等采用的是基于图像的灰度变化进行阴影检测的方法[4]，但在运动目标与阴影的灰度值相似时很难确定准确的阈值来区分运动目标和阴影；Rahmat等采用了基于YUV色彩空间的阴影检测的方法[5]，YUV空间的亮度分量（Y）和两个色度分量（U、V）是独立的，YUV空间的阴影消除算法通过计算3个差值函数：亮度差值函数、色度差值函数、梯度差值函数来判断是否为阴影，虽然检测性能较好，但算法复杂，而且有较多的阈值需要确定，因而不适合用于实时的智能监控系统；Norbert等提到了一种基于HSV（色度、饱和度、亮度）色彩空间的阴影去除的方法[6]，因为HSV色彩空间采用的是色彩的色度、饱和度及亮度等信息，直接与人的视觉感知方式紧密相连，因而更能精确的反应出运动目标与阴影的色彩和灰度信息。

针对以往方法中只采用当前帧与背景亮度的比例阈值来确定阴影区域，而没有考虑在不同的背景、不同的光照强度下比例阈值发生变化且难以确定的问题，文中提出了一种基于HSV色彩空间的运动目标阴影去除方法，在以往的阴影去除方法基础上，加入了当前帧与前一帧亮度的差值变化，并将比例阈值固定，在标准的视频数据库上和实时的智能视频监控系统中分别进行了测试，验证了方法的有效性。

1 运动目标检测方法

本文的运动目标检测采用的方法融合了背景差法与三帧差分法。背景差法的基本思想是首先获取一个参考背景图像，然后将当前帧图像与参考背景进行比较，通过一定的阈值分割出前景运动目标，其优点是不受运动目标移动速度影响，但是对场景中光照等无关干扰比较敏感；帧差法的基本思想把相邻帧相减，再通过阈值化方法滤除当前帧的静止目标，从而提取出运动目标，三帧差分法是帧差法的改进，其基本思想是分别对连续两帧进行差分，再将得到的两幅差分图像进行融合从而得到运动目标，其优点是对环境的光线变化不敏感，且能快速地检测出运动目标，对于背景的光线等变化具有良好的适应性，并消除了传统帧差法的“拖尾”现象，缺点是对于运动过快或过慢的运动目标误检率高，且容易丢失信息。因而本文通过将两种方法结合来实现运动目标的检测，实现算法简单，计算量小，并将两种方法优势互补，能较好的检测出运动目标，且对光照变化具有良好的适应性。

运动目标检测的算法流程如图1所示。

图1 提取运动目标流程图Fig.1 Flowchart of the moving target extraction

由于获取的视频序列为RGB图像，因此需要将背景、当前帧、前一帧图像均转到HSV空间及灰度图像，并计算当前帧与背景帧的亮度比值和当前帧与前一帧的的亮度差值，本文在背景差法的同时获得当前帧与背景帧的亮度比例值，根据这个比例值对由背景差法获得的运动区域进行阴影去除得到一个运动目标区域；在帧差法的同时获得连续两帧的亮度差值，根据差值对由帧差法获得的运动区域进行阴影去除,得到一个运动目标区域，将两个运动目标区域相与,得到最终的去除阴影后的运动目标区域。运动目标检测的具体步骤为：

1）获取RGB背景图像，并将背景图像转换为HSV背景图像和灰度图像并分别存储。

2）获取连续三帧图像并分别将三帧图像转换为HSV图像和灰度图像并分别存储。

3）分别计算当前帧的亮度值与背景帧的亮度值的比例值P和当前帧与前一帧的差值M。

4）计算当前帧灰度图像与背景灰度图像的差分图像，再通过一定的阈值将图像二值化，并通过 节中的判别条件，得到去除阴影后的运动目标图像I(k)。

5）计算当前帧与前一帧灰度图像的差分图像△I1(k),后一帧与当前帧灰度图像的差分图像△I2(k)，两差分图像相与后再通过一定的阈值将图像二值化得到运动目标区域，并通过4节中的判别条件，得到去除阴影后的运动目标图像I(k)。

6）融合I(k)与I(k)后，得到最终的运动目标,并更新背景。

2 传统阴影检测方法

阴影是光源没有直接照射到物体表面而形成的暗区域，可分为物体的自身阴影和物体的投射阴影。当目标移动时，投射阴影即为运动阴影，因此，本文主要分析的是投射阴影。投射阴影具有像素的亮度值低于非阴影区域的亮度值，而饱和度和色度变化微小等特点，运动目标的投射阴影的详细介绍参见文献[7]，由于本文的主要工作是去除运动目标的投射阴影，因此需要一个判别方法来描述运动区域的投射阴影，而不考虑场景中静止物体的阴影。

在有光照的条件下，物体表面的一点如果是投射阴影，则它可由式(1)来描述：

其中，SK表示在 K 时刻，坐标为（x，y）点的亮度，ρK(x,y)为该点的反射系数，在背景固定不变的情况下，则认为背景点与被检测点的反射系数相等，即

EK为光照强度，可表示为：

其中CA为点光源强度，CP为散射强度，L为光源方向，N为表面法向量。

经典的HSV空间阴影检测方法通过计算被检测点与背景点的强度比值来衡量是否为阴影，即

由式(2)可将(4)式简化为

人们通过视觉系统感知能清晰地了解阴影具有的特征：一方面，阴影的亮度总是比其投射到的背景区域的亮度值低；另一方面，阴影与投射它的物体相连通，运动状态一致。由此，经典的HSV色彩空间阴影去除方法利用HSV彩色信息的色度、饱和度与亮度信息消除阴影的判别函数如式(6)所示：

3 改进的阴影检测方法

以往的HSV空间阴影检测算法对监控环境的假设条件为固定的静态背景，这样才能保证被判断的点的反射系数与背景保持不变，而本文改进的算法中加入了当前帧与前一帧的亮度差值变化这一条件，且固定V通道判别条件阈值。在背景有变化的情况下，被判断的点的反射系数也会与前一帧被判断点的反射系数几乎相等。

由于H分量与S分量对阴影的判别影响不明显，通过比较HSV空间中的各个分量变化趋势，V分量显然能很好的作为判别阴影的主要因素，且可以忽略H分量和V分量的判别条件。因此，本文提出了一种新的阴影的判别函数如式（7）所示：

除了以上提到的某像素点的亮度值在有阴影时与背景的亮度值不同这个因素外，还存在两种主要因素使某一像素点的亮度值发生变化：一种是由于不同的目标的亮度值不同（如天空、楼宇、树枝等）；另一种则是因为在短时间内，物体在某一像素点的投影会随着物体的运动发生变化，为此，文中在以往只是采用当前帧与背景帧的亮度值变化来判断阴影区域的条件外，加入了当前帧的亮度与前一帧的亮度差值这一条件，并固定了亮度阈值，无需在不同的条件下确定不同的阈值，减少了工作量且使处理速度更快，满足实时性的要求。

为了系统地评价阴影检测方法的性能，文中引入了一种量化的评价方法，即阴影检测算法的好坏可以由阴影检出率和阴影误检率来衡量：阴影的检出率意味着应该使阴影点被判为前景或背景(即阴影点被判做非阴影点)的概率尽量小,即正确检测阴影的概率应该尽量大；阴影的误检率意味着前景点或背景点被判为阴影点的概率也应当尽量小。即：

式(8)中，TP是场景中运动阴影区域的真实点数，FN是阴影点被误判为前景或背景的点数；FP是前景或背景被误判为阴影的点数。

4 实验结果分析

本文采用Visual C++6.0搭配OpenCV1.0的模式搭建开发平台，运用VC中的MFC框架设计系统的主体对话框界面，调用OpenCV中的库函数读取视频序列，再调用VC和OpenCV中的库函数编译代码对视频数据进行处理，OpenCV是开源的计算机视觉库，与Matlab等图像处理工具相比，具有处理速度快、源代码完全开放、平台无关性等优势，方便用于实时的智能视频监控系统中。

本文的实验结果采用的视频文件是ATON项目的标准实验视频 highwayI，分辨率为 320240，帧率为 15 fps的 AVI格式视频。将本文采用的非参数判别方法与与经典的需要确定参数的方法在标准数据库 (高速公路视频)中进行测试对比，结果如图2所示。

图2 高速公路的阴影消除结果Fig.2 Shadow elimination results of highway

图2(a)显示的为高速公路视频文件随机选择的其中一帧图像，图2(b)为未去除阴影的运动目标检测图像，图2(c)为采用经典的HSV阴影去除方法去除阴影后的运动目标检测结果(试验的方式选择的最佳参数：其中设为0.05，设为0.35)，图2(d)为本文方法去除阴影的运动目标检测结果。

从图4中可以看出，本文采用的阴影消除算法，在能够准确地检测到运动目标的同时消除了阴影，而且运动目标的物理原型比经典的HSV阴影消除方法更为完整。

利用式(8)的计算方法可以得到高速公路视频检测结果的检出率与误检率如表1所示。

表1 高速公路的检出率与误检率Tab.1 The detection rate and false detection rate of highway

由表 可以看出采用本文的改进方法使用标准数据库进行测试的结果，本文的方法检出率有所提高且误检率有所减低，因此本文的方法在标准测试视频的环境中要优于传统的方法。

为了说明本文采用的方法的实用性，还将本文的方法应用在了实时的校园智能视频监控系统中，采用的是学校图书馆门外的实时监控系统数据，分辨率为704480，帧率为25 fps。本文的方法与传统的方法比较结果如图3所示。

图3 图书馆的阴影消除结果Fig.3 Shadow elimination results of Library

图3(a)显示的为图书馆场景中随机选择的其中一帧图像，图3(b)为未去除阴影的运动目标检测图像，图3(c)为采用经典的HSV阴影去除方法去除阴影后的运动目标检测结果，图3(d)为本文方法去除阴影的运动目标检测结果。

从图3中可以看出，本文采用的阴影消除算法，在实时的监控系统中图能够准确地检测到运动目标的同时消除了阴影，而且运动目标的物理原型比经典的HSV阴影消除方法更为完整。

按照式(8)的计算方法来计算检出率与误检率，本文采用的方法与传统方法在图书馆监控场景中的检出率与误检率如表2所示。

表2 图书馆的检出率与误检率Tab.2 The detection rate and false detection rate of library

由表2可以看出，本文中的方法检出率高于经典方法且误检率也有所减少，因此本文方法在实时监控场景中也优于传统的方法。

采用本文方法快速简单，不需要确定阈值，有效地解决了经典方法阈值难以确定的问题，且能适应不同背景的阴影消除，另外，本文的方法在MFC框架下，通过调用OpenCV函数来实现，并可以在实时的智能视频监控系统中进行应用，从而使实时智能视频监控的跟踪、行为分析的结果更准确。由此可见，本文提出的方法是可行的，且具有较强的应用价值。

5 结束语

本文分析了阴影与运动目标在HSV空间中三个分量的变化趋势，针对以往的HSV空间去除阴影针对不同场景需要确定不同阈值的问题，提出了一种融合背景差与三帧差分法在HSV色彩空间特征判别的阴影去除方法，其最大的特点是阴影的判别条件简单，且不需要计算参数，运算速度快，能够满足实时智能视频监控系统的要求，且能够适应不同场景中的阴影检测，得到较好的运动目标检测结果，具有很高的实用价值。本文下一步工作将研究HSV颜色空间中亮度降低到一定程度后的应用问题，并将本文方法应用到实际的智能视频监控中。

[1]LIU Zhou,HUANG Kai-qi,TAN Tie-niu;Cast Shadow Removal in a Hierarchical Manner Using MRF[C].IEEE Transactions on Circuits and Systems for Video Technology,2012.

[2]YUAN Jin-juan,WU Jin,CHENG Yan-hu.Shadow detecting algorithms research for moving objects base on self-adaptive background[C].Proceedings of International Conference on Modeling Identification&Control(ICMIC),2012:197-200.

[3]张超,林鹏,赵宇明.基于物理特性和形态学方法的阴影去除算法[J].计算机工程,2012,38(10):131-133.

ZHANG Chao,LIN Peng,ZHAO Yu-ming.Shadow removal algorithm based on physical features and morphological method[J].Computer Engineering,2012,38(10):131-133.

[4]王小鹏,郭莉琼.公路车流量视频检测方法[J].计算机应用,2012,32(6):1585-1588.

WANG Xiao-peng,GUO Li-qiong.Video-based method for highway traffic flow detection [J].Journal of Computer Applications,2012,32(6):1585-1588.

[5]Rahmat R W,Al-Tairi Z H,Saripan,M I.Sulaiman,P.S.Removing Shadow forHand Segmentation Based on Background Subtraction [C]//International Conference on Advanced Computer Science Applications and Technologies(ACSAT),2012.481-485

[6]Buch N,Velastin S A,Orwell J.A Review of Computer Vision Techniques for the Analysis of Urban Traffic[C]//IEEE Transactions on Intelligent Transportation Systems，2011,12(3):920-393.

[7]Porikli F,Thornton J.Shadow Flow:A Recursive Method to Learn Moving Cast Shadows[C].International Conference on Computer Vision(ICCV),2005:891-898.

Study and application of removing the shadow based on the HSV color space

GAO Dong-xu,CAO Jiang-tao,LI Ping
（School of Information and Control Engineering,Liaoning Shihua University，Fushun 113001,China）

In video surveillance system,if the moving shadows are misclassified as the moving objects,the accuracy of moving object extraction,tracking and forecast can hardly be guaranteed.For dealing with this problem,a new method is proposed to remove the moving cast shadows based on HSV color space.Firstly,the moving objects is extracted through a fusion three frame difference and background subtraction method.Secondly,the extracted area is projected into the HSV color space.By comparing the luminance and saturation in motion region of the previous frame and the background,the moving shadows are detected and eliminated without predetermining the parameters.The proposed method is tested in the standard highway video dataset and implemented in the real-time video surveillance system.The results showed that this method can eliminate the shadows more effectively,detect the moving targets more accurately,and robustness to light changes.

video surveillance;moving target detection;real time;HSV color space;shadow suppression

TP391.41

A

1674-6236（2014）13-0065-04

2013-09-17 稿件编号：201309133

国家自然科学基金青年基金项目（61203021，61103123）

高东旭(1989—),男，满族，辽宁义县人，硕士研究生。研究方向：模式识别、智能监控。