摘 要： 针对阴影C1C2C3彩色不变性检测法时间开销大的缺陷，提出了改进的D1D2D3模型阴影检测法，减少了算法的时间复杂度；针对阴影LBP纹理不变性检测法在图像纹理不明显时所存在的误检现象，提出了改进的LPTD算子，提高了算法的准确率。进一步将上述两种改进方法进行有效融合，提出了一种阴影消除新算法，采用SUSAN算子去除阴影强边缘，有效解决了强光给阴影检测带来的误差，再通过形态学处理，消除了图像内部孔洞和噪声。实验结果表明，新算法的阴影消除效果更为理想。
关键词： 彩色不变性；纹理不变性；阴影消除；SUSAN
在计算机智能目标检测与跟踪领域中，由于光照影响，阴影与目标有着相同的运动属性和光照强度变化，常常被误认为运动目标，造成目标几何尺寸的改变以及多个目标的并连等[1]，因此消除阴影成为一个不可避免的问题。在视频检测过程中，阴影伴随运动目标对光线的遮挡而产生[2]。目前，国内外已有大量的检测算法用于消除阴影，主要有颜色特征法和纹理相关法。颜色特征法根据阴影点的颜色属性判别阴影点和目标点。参考文献[3]通过分析阴影覆盖前后R、G、B 3个分量的变化建立阴影统计模型，但无法解决相互遮挡的问题。参考文献[4]采用HSV颜色空间提取弱阈值目标，但具有一定的局限性。参考文献[5]融合HSI和C1C2C3模型特点进行阴影去除，但是准确率不高。纹理相关法依据阴影覆盖前后纹理不变的特性区分阴影和目标，然而它经常要比较和计算每个像素及其邻域像素的纹理值，速度缓慢。本文综合考虑了阴影消除算法的时间复杂度和准确率，提出了基于彩色与纹理不变性的运动阴影消除新算法。
1 彩色不变性的阴影检测
1.1 C1C2C3模型
C1C2C3空间是所有彩色不变空间检测阴影效果最好的模型[6]，它是根据阴影覆盖前后，机器视觉系统利用的彩色参数模型仍然维持目标识别的能力[7]。C1C2C3空间模型定义为：
从图1、图2可以看出，采用C1C2C3模型消除阴影和采用D1D2D3模型消除阴影，实验效果图基本一致，即消除阴影的准确率不变，但是从表1两种算法用时对比中可知，采用D1D2D3模型消除阴影所耗费的时间少于C1C2C3模型，符合前面所述的理论。因此，在综合考虑阴影消除效果（准确率）和时间开销的基础上，本文提出的D1D2D3模型优于传统的C1C2C3模型。
2 纹理不变性的阴影检测
2.1 LBP阴影消除法
LBP算子是最常用的纹理描述子，具有灰度单调变换和旋转不变性[8]，它通过比较掩膜的中心像素值和周围一定半径的邻域像素值，得到一组二值化的0、1编码，并结合权重矩阵计算其LBP值。
从图3、图4可以看出，采用LPTD模型消除阴影的效果显然优于传统的LBP算子，LPTD模型法所检测出的目标边界更清晰，对阴影的误检率更低，克服了D1D2D3模型消除阴影的不足。从表2两种算法用时对比中可以看出，采用LPTD模型消除阴影所耗费的时间与LBP基本持平。因此，在综合考虑阴影消除效果（准确率）和时间复杂度的基础上，本文提出的LPTD模型优于传统的LBP模型。
3 本文提出的阴影消除新算法
如前所述，本文提出了两种阴影消除的改进算法，虽然基于彩色特征的D1D2D3阴影消除法能较好地保持目标图像的丰富信息，但可能导致边缘细节信息比较丰富的图像部分像素漏检；而基于纹理特征的LPTD阴影消除法，虽然能较好地保持图像边缘，但是如果图像部分区域的目标内部与背景纹理差异很小，这些像素点则容易被误认为是阴影点。为了使新算法更通用，对不同图像消除阴影效果更好，进一步提出了集两种算法优势的消除运动影像阴影的新算法，具体流程图如图5所示。
3.4 形态学处理
经过SUSAN处理后的图像检测效果较理想，去除了图像由于强光作用导致的阴影边缘，使得图像检测效果更佳。然而，图像内部仍然存在部分孔洞，因此需要用形态学算子来处理，本文主要采用膨胀和腐蚀算子。
4 实验结果
实验采集视频分辨率均为320×240，依次用室外强光、室外弱光和室内弱光3种场景分别演示本文算法的阴影消除过程，室外（强/弱光）场景选取慢速目标人和快速目标车进行仿真实验，室内场景选取慢速目标人进行仿真实验，如图6所示，并与C1C2C3和LBP算法进行实验比较，结果如图7所示。
根据实验可知，本文算法（如图6（h）所示）显然优于D1D2D3模型（如图6（d）所示）和LPTD模型（如图6（e）所示）；又从前面第2小节可知，D1D2D2模型优于C1C2C3模型，LPTD模型优于LBP模型，由递推 关系可知，本文算法优于传统的C1C2C3模型和LBP模型。
为了定量评判阴影消除的效果，本文引用阴影消除成功率[10]进行量化衡量：
根据实验对比图7和表3可知，本文算法能有效消除室外（强/弱光）、室内（弱光）场景下的阴影，其阴影消除平均成功率高于传统的C1C2C3彩色不变模型和LBP纹理不变模型，即本文算法消除阴影的准确率较高；再由表4可知，本文算法的时间开销低于C1C2C3模型和LBP模型，具有较好的实时性。
基于C1C2C3空间彩色不变性，本文提出了改进的D1D2D3模型的阴影检测法，弥补了C1C2C3模型在时间复杂度上的缺陷；基于LBP算子纹理不变性，本文提出了改进的LPTD算子，解决了不明显图像纹理检测时所存在的误检现象；进一步将以上改进的两种方法以相“或”运算进行有效融合，并采用SUSAN算子去除室外强光导致的阴影强边缘，有效解决了强光给阴影检测产生的误差，最后通过形态学处理填补孔洞并消除噪声。实验结果表明，无论是在室外还是在室内，本文提出的阴影消除新算法较实用，准确率较高，实时性较好，在视频监控及交通检测等领域具有较高的工程应用价值。
参考文献
[1] Ren Jianqiang. Novel adaptive algorithm of shadow elimination for video moving objects[J]. Computer Engineering and Applications， 2010，46（36）：188-191.
[2] 黄思明.交通视频图像中的车辆提取分类方法研究[D].福建：福州大学数学与计算机科学，2011.
[3] 杨丹，余孟泽.车辆视频检测及阴影去除[J].计算机工程与设计，2011，32（6）：2072-2074
[4] 李科伟，杨晓敏，何小海，等.基于弱阈值分割的运动人体阴影去除[J].计算机工程，2012，38（5）：173-175.
[5] Sun Bangyu， Li Shutao. Moving cast shadow detection of vehicle using combined color models[C]. IEEE Chinese Conference on Pattern Recogrition（CCPR），2010：1-5.
[6] FORCZMANSKI P， SEWERYN M. Surveillance video stream analysis using adaptive background model and object recognition[J]. Computer Vision and Graphics， Lecture Notes in Computer Science， 2010，6374：114–121.
[7] 周家香，朱建军，张红亚.基于C1C2C3彩色不变特征的阴影检测与辐射恢复研究[J].工程勘察，2007（6）：52-54.
[8] 郝灿，朱信忠，赵建民，等.基于改进型LBP特征的运动阴影去除算法[J].计算机系统应用，2010，19（5）：80-82.
[9] 钟顺虹，何建农.基于自适应双阈值的SUSAN算法[J].计算机工程，2012，38（3）：206-208.
[10] 陈锡，陈喆.亮点、颜色和梯度结合的阴影消除算法[C].2010年通信理论与信号处理学术年会论文集，2010：556-561.