王珦磊1，唐加山2

　　(1. 南京邮电大学 通信与信息工程学院，江苏 南京 210003；2. 南京邮电大学 理学院，江苏 南京 210003)

       摘要：针对视频内容分析中的物体检测问题，提出一种新的基于YUV颜色空间的阴影消除方法，相比其他基于YUV颜色空间阴影检测方法，该方法为提高检测精度，使用自适应的动态门限。首先，在RGB颜色空间中使用背景差，得到仅包含目标物体及其阴影的图像。然后在YUV颜色空间中对此图像的色度进行统计分析，搜索出色度变化缓慢的区间，再针对每个色度区间确定对应的亮度区间，获得估计门限。最后，利用以上门限检测并消除阴影。实验结果表明，该方法对不同光照情况下的物体阴影都有很好的消除效果。

　　关键词：阴影检测；YUV；自适应

0引言

　　在计算机视觉中，检测运动物体是非常重要的一个部分。运动物体的检测一般步骤如下：先从视频帧中鉴定出前景像素，再由前景像素提取出运动物体［1］。然而，运动物体的投影会使检测算法难以实现，导致前景物体形状和颜色的失真，对运动物体的提取造成干扰。因此，动态物体检测中很重要的一个环节是阴影消除。

　　阴影检测算法一直被广泛研究，如：基于纹理分析的检测方法［23］，使用亮度来判断可能的阴影区域，再结合纹理特征将阴影分割出来；基于物理特征的检测方法［4］，先对阴影像素进行建模，再用这个模型从预选区域中检测阴影；基于几何的检测方法［5］，根据光源、物体形状、地面来预测阴影的大小、形状和方向；基于色彩空间的检测方法［6］，选取一个新的色彩空间，与RGB色彩空间相比，它的亮度和色度间区别更明显。

　　本文使用基于YUV色彩空间的阴影检测方法，同时阴影检测门限的阈值是根据前景像素的统计结果估计的，因此算法对不同光照情况下的物体阴影检测都有很好的鲁棒性。

1候选区域

　　候选区域是指图像中包含目标物体及其阴影的部分，一般通过背景差分来获得。步骤如下：先将前景图像和背景图像的RGB分量进行差分，再将差分后的彩色图像转换成灰度图像，针对此灰度图像，设置平均灰度值为阈值，按照该阈值进行划分，大于该阈值的为候选区域，小于阈值的视为背景。再多次进行膨胀、腐蚀操作，消除候选区域中的干扰噪点，具体操作详见文献［7］。

2基于YUV色彩空间的阴影模型

　　YUV色彩空间和RGB色彩空间关系如下［8］：

　　在YUV色彩空间中，像素点的亮度分量y和色度分量u、v相互独立。投射阴影区域在YUV色彩空间有如下特征［9］：

　　（1)投射阴影区域中像素的亮度低于背景像素和物体区域像素的亮度。

　　（2)投射阴影区域中像素的色度与背景像素色度相比几乎相等。

　　根据以上结论，确定阴影像素的算法如下：

　　针对每个候选区域的像素，将符合如下式（1）条件的像素点判断为阴影像素点，其中yF和yB分别指前景和背景的y分量，vF和vB分别指前景和背景的v分量，yMin、yMax、vMin、vMax分别指对应的上下限门限值。

　　下文将对阈值估计给出详细步骤。

3阈值分析

　　3.1阴影区域特征分析

　　为研究阈值与候选区域的统计关系，选取如图1所示

　　图1输入图像及其预处理的前景图像图1(a)和背景图像图1(b)。先进行背景差分，获得候选区域的前景图像图1(c)和背景图像图1(d)，对阴影进行手动划分得到阴影区域的前景图像图1(e)和背景图像图1(f)。

　　将前景图像(e)中每个像素点的亮度yF和色度vF，与背景图像(f)中的亮度yB和色度vB进行差分，得到差值Δy、Δv。亮度差和色度差分布如图2(a)，其中横轴是Δy，纵轴是Δv。忽略干扰噪点，对密集区域进行分析，密集区域图2(b)显示像素点的亮度差Δv分布不均匀，集中在若干个中值上，并且不同的中值对应色度差Δy分布范围也不相同。因此可以将阴影区域的Δy-Δv分布看作是若干个分布块的集合，如图2(c)。

　　3.2根据候选区域确定阈值

　　本节将通过候选区域的统计特性估计出上文中每个分布块的阈值。

　　3.2.1确定色度差Δv的阈值

　　将候选区域前景图像图1(c)和背景图像图1(d)的色度分量v相差，差值Δv进行排序，得到图3(a)，图3(b)标出了其中的平缓部分。对比阴影区域分布图2(c)和图3(b)，被标注的区域在纵轴上的范围近似一致，图3(b)上的平缓部分表明在该范围上有大量像素点Δv分布趋于一致，符合阴影区域的特征。

　　3.2.2确定亮度差Δy的阈值

　　针对图3(b)中每个平缓区域，从候选区域中搜索对应像素点，获取每个像素点亮度差Δy，再进行排序，图4(a)是候选区域中符合条件Δv∈［4.731 7, 5.288 6］的像素点的Δy排序后的分布图，标出平缓区域如图4(b)，对比阴影区域分布图2(c)，平缓区域的Δy区间与阴影像素图4候选区域亮度差分布的区间相吻合。

　　3.3验证特征普遍性

　　为验证以上特征的普遍性，使用另一组实验图像进行图6自适应阴影消除算法流程图阈值分析，输入图像如图5,图5(a)是前景图像，图5(b)是背景图像，图5(c)表示候选区域，图5(d)是阴影区域的Δy-Δv分布图。分析候选区域，结果如下：图5(e)是候选区域Δv排序后的分布图，该分布图平缓区域与图5(d)中的密集区域非常吻合。将候选区域中符合条件Δv∈［-0.325,0.430］的像素点的Δy值进行排序，得到图5(f)，图5(f)平缓区域的Δy范围是［0,30.82］，也与阴影分布图5(d)相吻合。

4自适应阴影消除算法

　　根据上节的分析结果，设计算法如下：先获得候选区域，算法步骤见第1节，然后将候选区域的前景图像和背景图像从RGB色彩空间转换到YUV色彩空间，再做背景差，获得亮度差矩阵ΔY和色度差矩阵ΔV。

　　阴影区域的色度差Δv一般在［0,10］范围内，取［-5,20］作为考察范围，实际试验中，超出该范围的阴影点很少，可以忽略。对候选区域内所有属于［-5,20］区间的色度差Δv排序，搜索出其中变化较小的区域，本文算法使用条件(2)进行判断，Δv(i)是排序后第i个色度差Δv，N是符合条件Δv∈［-5,20］的像素点个数，a和b是常数，通过多次取值调试后确定a=0.001，b=0.003 5。

　　Δv(i)－Δv(i－a×N)<b×(Δv(N)－Δv(1))(2)

　　针对每一个Δv区间，从候选区域中搜索出符合条件的像素点，再对这些像素点的亮度差Δy进行排序，与获取Δv区间类似，搜索出所有变化较小的区域，每个Δv区间可能会对应多个Δy区间。将所有搜索出的Δy-Δv区间作为估计门限。

　　依据上文得到的估计门限进行阴影检测，实现多阈值的阴影消除。图6为算法流程图。

5实验结果和分析

　　实验用的部分数据来自图像处理数据库，还有一部分是在实验室中拍摄得到的。算法是在微软Windows平台下，使用matlab编写的。以下图7是使用本文算法的输出结果。

6结论

　　本文采用一种基于YUV颜色空间的自适应阴影消除算法，该算法对阴影的门限进行动态估计。实验结果表明，该算法对不同光照情况下的图像都能有效地检测和消除阴影，具有良好的鲁棒性。

参考文献

　　［1］ 刘国栋,范九伦.彩色视频运动目标

　　自适应在线聚类提取算法［J］.电子技术应用,2014,40(5):132135.

　　［2］ LEONE A, DISTANTE C. Shadow detection for moving objects based on texture analysis［J］. Pattern Recognit, 2007, 40, (4): 12221233.

　　［3］ 朱敏琛,王伟智.融合线性特征的局部纹理运动车辆阴影检测［J］.微型机与应用,2013,32(14):4446,50.

　　［4］ NADIMI S, BHANU B. Physical models for moving shadow and object detection in video［J］. IEEE Trans. Pattern Anal. Mach. Intell, 2004, 26,(8): 10791087.

　　［5］ ZHANG W, FANG X Z, XU Y. Detection of moving cast shadows using image orthogonal transform［C］. In Proc. IEEE Int. Conf. Pattern Recognition, 2006:626629.

　　［6］ CHEN C T, SU C Y, KAO W C. An enhanced segmentation on visionbased shadow removal for vehicle detection［J］. Int. Conf. Green Circuits and Systems, 2010: 679682. ［7］ 邓亚丽,毋立芳,李云腾. 一种有效的图像阴影自动去除算法［J］. 信号处理， 2011(11): 17241728.

　　［8］ ENNEHAR B C, BRAHIM O, HICHAN T. An appropriate color space to improve human skin detection［J］. INFOCOMP Journal of Computer Science, 2011, 10(1): 1827.

　　［9］ FUNG G S K, YUNG N H C, PANG G K H, et al. Towards detection of moving cast shadows for visual traffic surveillance［C］. Systems, Man, and Cybernetics, 2001 IEEE International Conference, 2001:25052510.