摘   要： 提出了一种融合线性特征的局部纹理运动车辆阴影检测方法。首先基于连续帧视频图像信息建立初始背景模型；通过背景差法获取包含阴影的运动目标区域，同时依据该运动区域信息实时更新背景；结合亮度信息，利用改进局部二值模式的纹理算子描述运动区域纹理，并根据海明距离进行粗分类，快速检测出运动区域中的阴影覆盖区；进一步对阴影覆盖区域进行纹理信息的线性特性判断，排除车辆自阴影区域，获取背景阴影，得到真实车辆目标。实验结果表明，该方法提高了阴影和车辆自阴影的检测准确度，且速度快，可满足实时性要求。
关键词： 线性特性； LBP纹理； 运动车辆； 阴影检测

    在交通视频处理中，对运动车辆的分割往往包含着运动车辆阴影，且运动阴影的检测十分困难，因为运动阴影具有两个重要的视觉特性：一是运动阴影和运动物体都显著区别于背景；二是运动阴影与运动物体具有相同的运动属性。另外，阴影与车辆可能是粘合在一起的，也可能是分离的。如果阴影与车辆粘合在一起，会使运动车辆发生严重的失真，影响后续车辆目标识别、分析、追踪等。因此，运动阴影检测已成为近几年智能交通研究的热点和难点之一。
    对于阴影的检测方法大体可分为：模型法、属性法和纹理法3类[1]。前两种阴影检测算法要么需要基于先验知识，计算量大，要么需要从实验中提取阈值，随机性较大，不能同时兼顾实时性和准确性。阴影检测纹理法则是利用无阴影背景纹理和阴影背景纹理相一致的特性。参考文献[2]分析了光照模型像素点在阴影覆盖和未被阴影覆盖时成近似线性关系的特性，提出了用归一化互相关函数判断阴影。该方法参数设置简单，但该方法描述纹理较粗糙，且需要对所有前景像素点进行判断，计算量大，实时性较差[3]。参考文献[4]提出了一种非常简单有效的LBP算子来描述纹理，该方法也已应用到在阴影检测方面。张玲等[5]提出了利用局部二值模式(LBP)表征纹理进行阴影判断，但该方法只采用固定阈值的差值判断，对阴影和背景的边缘以及交通视频中车道分割线的检测效果不佳。胡园园等[6]提出改进的增强局部纹理描述算子描述纹理，很好地体现了图像局部结构的特征，但纹理描述过程计算量大，且只利用纹理特征判断，容易发生将覆盖阴影的车辆(也称车辆自阴影)误检为背景阴影的现象，即伪阴影现象。
    本文针对LBP算子二进制串描述纹理过于简单的问题，提出改进描述算子，考虑到基于LBP算子描述的纹理检测算法引起的伪阴影问题，提出融合线性特征的局部纹理运动阴影检测算法。通过改进LBP算子描述像素纹理，根据纹理信息进行海明距离判断阴影，快速方便地检测出阴影覆盖区域，并对阴影覆盖区域通过纹理信息进行线性判断，排除伪阴影区域，同时避免对所有前景运动区像素点进行分析，可提高检测速度。

 
    通过改进LBP算子可快速检测出阴影覆盖区域，但在阴影覆盖区中，容易包含车辆自阴影的伪阴影点，可根据阴影像素点的光照模型线性特性对阴影覆盖区域进行纹理信息线性判断，排除伪阴影，同时避免对所有前景目标点进行分析，提高检测速度。
    综上所述，本文背景阴影检测方法基本思路为：(1)背景生成:根据初始多帧视频图像建立初始背景模型并不断依据实时帧运动信息更新背景;(2)前景运动目标获取:通过背景差法获取包含阴影的前景运动车辆目标;(3)背景阴影检测:采用本文改进的LBP算子描述前景像素点的纹理，根据纹理不变性，利用海明距离分割出阴影覆盖区域，并对阴影覆盖区域LBP纹理进行线性判断，消除伪阴影，得到背景阴影，以此获取真实运动车辆目标。算法具体步骤如下：

 
3 试验及结果
    本实验工具为VC平台和Matlab,环境为：Pentium-Dual Core 2.50 GHz CPU, 2.0 GB内存。所用的数据视频图像大小为200×320，邻域大小为3×3,因此，M=200，N=320，R=1，P=8。经过实验训练学习，本文取a=1，b=3，α=0.9，DH=4，Tncc=0.98。选取基于LBP局部纹理的海明距离判断方法(算法①)以及参考文献[2]方法(算法②)与本文的方法(算法③)进行比较，抓取视频中2帧图像(如图1所示)进行实验分析，检测比对效果如图2、图3所示，算法耗时比对如表1所示。

    从图2、图3中可以看出，基于LBP局部纹理的海明距离判断，阴影效果不错，但是在前景车辆区域中产生了较多的伪阴影；参考文献[2]方法的阴影检测效果不错，但也存在伪阴影现象，且该方法需对所有的前景区域像素点进行运算判断，整个过程计算量较大，方法比较耗时；本文的方法在图像局部纹理判断的基础上，对阴影覆盖区域部分直接运用先前获得的像素纹理信息进行线性判断，参数设置少且简单，阴影像素点的判断加强，前景车辆区域的伪阴影点明显降低，车辆与背景分割明显，有较高准确率，且由表1可知，本文方法速度较快，实时性较强，可以获得很好的阴影检测效果。
参考文献
[1] ZHAO T, NEVATIA R. Tracking multiple humans in complex situations[J]. IEEE Transactions on Pattern Analysis  and Machine Intelligence, 2004,26(9):1208-1221.
[2] 郭辉. 应用归一化互相关函数法进行交通视频阴影检测[J]. 公路交通技术，2009(1):126-127,13.
[3] 熊运余,曾凡光,周鹏,等. 一种新的多特性联合阴影检测方法[J]. 光电工程, 2009,36(4)：118-122.
[4] OJALA T, PIETIKA INEN M, MAENPAA T. Multiresolution grayscale and rotation invariant texture classification  with local binary patterns [J]. IEEE Transactions on Pattern  Analysis and Machine Intelligence, 2002,24(7):971-986.
[5] 张玲,程义明,谢于明,等. 基于局部二元图的视频对象阴影检测方法[J]. 系统工程与电子技术, 2007,29(6):974-977.
[6] 胡园园,王让. 基于局部纹理不变性的运动阴影去除算法[J]. 计算机应用,2008,28(12):3141-3146.