摘  要： 提出一种视频监控中运动目标的运动阴影去除算法。该方法使用混合高斯背景建模初步得到运动目标区域，在此基础上利用阴影区域的色度、亮度信息与背景的差异，与局部二值纹理模式LBP（Local Binary Pattern）思想相或的方法来消除运动阴影，接着使用形态学的方法去除像素突变的边缘部分。实验结果表明，该方法可以很好地保留前景图像。
关键词： YUV颜色空间；阴影去除；局部二值模式；形态学算法

    目前已有许多阴影去除算法，主要分为基于模型的方法和基于属性的方法。基于模型的方法需要事先利用场景、运动目标和光照条件等建立阴影模型，根据阴影模型可以精确计算出阴影的形状和位置，很多情况下一些先验知识很难获得，只在一些特定的场合使用。基于属性的方法主要利用阴影的颜色、纹理、梯度、边缘等变化特性去除阴影。实验表明像素点被阴影覆盖前和被阴影覆盖后，该点颜色的亮度会变暗、饱和度有所下降，但色度变化不大[1]，所以基于颜色变化特性的阴影去除主要是通过转化表示像素点颜色的空间，如从RGB转化到HSV、YUV（YCbCr）、归一化的RGB(rgb)等空间，利用上述特性去除阴影。纹理信息的阴影去除主要基于被阴影覆盖的背景区域与覆盖前相比只是亮度显著变化，而纹理基本保持不变。但是，基于颜色特性的阴影去除算法容易把亮度低于背景、色度与阴影相近的目标区域去除，所以基于LBP算子的纹理算法在纹理特征变化很小的区域往往失效，如天空、草地等相邻像素的灰度值差异较小的情况。鉴于两种算法的优劣，本文提出一种阴影去除算法，该算法的主要流程如下：
    (1)运动目标检测，利用混合高斯背景建模得到背景图像以及前景的二值图像。
    (2)提取与二值前景图像相对应的当前图像、背景图像处的R、G、B值，利用第1节以及第2节提到的方法同时计算当前图像与背景图像各自的Y、U、V值及LCA值并去除阴影。
    (3)图像归一化YUV颜色空间阴影去除结果与三通道同时应用LCA值方法去除阴影所得结果相或。
    (4)对两种去除阴影方法相或所得前景图像进行形态学运算得到最终去除阴影的前景图像。
1 基于YUV颜色空间的阴影去除
1.1 YUV颜色空间
    在RGB三通道上处理图像非常复杂。为了更好地进行运动目标视频检测中对阴影的处理，把颜色空间从RGB转换到YUV空间。YUV颜色空间便于在灰度图像和彩色图像之间进行转换，即便于对颜色的色彩信息和亮度信息进行分离。
    YUV颜色空间中，Y表示亮度，U、V分别是R_Y 、B_Y的分量，又称色度，描述色彩饱和度的信息。YUV颜色空间的优点是它的亮度信息Y和色度信息（U、V）相互独立，只需要U、V即可表示色彩信息。从视频序列得到的图像信息一般采用RGB颜色模型，转换到YUV颜色空间的传统方法如下：

2 局部纹理阴影去除算法
2.1 局部纹理描述LBP算子
    LBP算子[4]具有极强的灰度和旋转不变性，相对较低的计算复杂度，是一种高效的局部纹理描述算子。LBP算子纹理描述原理为：选定某一像素为中心点，以半径R为步长，比较中心点和与其相距R的邻域点的灰度值，把中心点作为比较的阈值，得到一组代表半径R内灰度变化的二进制值作为灰度变化的描述，并计算其LBP值：

2.3 LCA阴影去除
    阴影区域是一个半透明区域，被阴影覆盖前后背景区的纹理近似不变[5]。本文使用2.2节提出的RGB三通道的LCA值表示半径R内中心像素点(xc，yc)处的局部纹理。本文阴影去除中半径R选择为1个像素距离，即p=8，且使用式(5)提取混合高斯背景模型获得的含有阴影的前景像素点在当前图像与背景图像中的局部纹理，通过比较它们的绝对差值，阈值化判断前景像素点是否属于阴影区域。因此阴影像素点SDtexture(x，y)可表示为：

5 实验结果与分析
    本实验在VC平台上实现，选取了室外强光、室外弱光以及室内3个典型环境进行实验，其中阴影去除结果如图1所示。为了定量评价算法性能，本文采用类似参考文献[6]中提出的阴影检测率η和阴影的实际占有率δ进行比较，利用它们之间的绝对差值σ作为客观评价的依据。

    从图1的实验结果以及表1～表3可以看出，LCA算子优于LBP算子的阴影去除结果，LCA算子可以保留很好的目标轮廓与亮区信息，UV/Y（归一化的YUV空间）空间优于YUV空间，可以较好地保留目标的暗区，两者结合充分发挥了优势互补的作用，最后通过形态学运算，可以得到较好的前景运动目标。

    本文提出了一种阴影去除算法，结合归一化的YUV颜色空间与基于LBP纹理思想的LCA局部纹理描述可以很好地保留前景目标，最后通过形态学运算可以得到满意的阴影去除结果。在实际应用中，可以满足视频监控中运动目标阴影去除的需要。
参考文献
[1] PRATI A，MIKIC I，MOHAN M，et al.Detecting moving  shadows：algorithms and evaluation[J].IEEE transactions on  pattern analysis and machine intelligence，2003，25(7)：918-923.
[2] 海因维希·朗格.色度学与彩色电视(第1版)[M].张永辉，译.北京：中国电影出版社，1985：1-45.
[3] ZHOU J，HOANG J.Real time robust human detection and   tracking system[C].In Computer Vision and Pattern  Recognition，IEEE Computer Society Conference，2005：149-149.
[4] OJALA T，PIETIKÄINEN M，MAENPÄÄ T.Multiresolution  gray-scale and rotation invariant texture classification with  local binary pattern[J].IEEE Transactions on Pattern  Analysis and Machine Intelligence，2002，24(7)：971-987.
[5] LEONE A，DISTANTE C，BUCCOLIERI F．A texture based  approach for shadow detection[C].IEEE Conference on  Advanced Video and Signal Based Surveillance，Washington，2005：371-376.
[6] PRATI A，MIKIC I，TRIVEDI M．Detecting moving shadows：algorithms and evaluation[J]．IEEE Transactions on Pattern  Analysis and Machine Intelligence，2003，25(7)：918-923．