一种去除运动目标阴影的新方法

《一种去除运动目标阴影的新方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、一种去除运动目标阴影的新方法运动目标检测和追踪是视频监控和交通分析系统的关键问题。然而由于运动目标产生的阴影也会被误检测为阴影。本文的目的是提出一种检测和去除运动阴影的新方法，本文提出利用HSV颜色空间来提高阴影检测的精确度。　　关键词阴影检测；HSV；背景提取　　TP39A1674-6708（2011）54-0201-01　　0引言　　视频监控系统和交通控制系统的基础任务是检测重要的目标（行人，车辆等），根据运动目标可以计算交通状况和行人轨迹等。由于运动目标检测对于后续工作非常重要，这要求运动目标检测务必具有鲁棒性和精确性。　　在目前运动目标检测的方法中，普遍存在检测不准确的问题，这

2、严重影响了后续工作。其中最为严重的问题是将阴影误认为运动目标。　　视频中阴影像素随运动目标一起运动。因此视频中所有运动的点与伴随物体运动的阴影极有可能都被视作运动物体。而且，阴影与物体相互连接，会造成运动物体的形状严重失真，这对于依靠几何性质对物体分类以及判断运动物体的位置都产生了干扰。另外，如果阴影将两个不同的物体相连，将会导致将不同物体划归同一物体。　　有很多算法也用于检测运动阴影，但是这些算法的精确度不够[1，2]。　　为了防止由于阴影所产生的监控问题，我们提出了一种阴影检测和去除的方法。这种方法基于HSV颜色空间。实验证明在HSV空间检测阴影非常有效，比之前的大部分算法都有很大

3、的提高。　　1基于HSV的阴影检测　　为了解决阴影问题我们利用HSV空间来检测阴影而不是利用RGB[1]空间。在本文中，我们先对前景背景分离，找到包含阴影的运动目标信息，再利用HSV模型辨别真正的运动前景和运动目标所产生的阴影。我们尝试了多种背景建模方法，其中混合高斯模型是最具有鲁棒性，并且被应用最多。第二步就是本文重点提出的HSV模型下的阴影检测方法。　　1）混合高斯模型(GMM)前景背景分离　　为了检测运动目标，首先需要提取背景，利用当前帧和背景的区别进行帧差，得到运动目标和其所产生的阴影。我们利用著名的混合高斯模型（GMM）提取背景算法[3]。混合高斯模型把监控视频中的每个像素点

4、都进行建模，假设每个像素点的背景颜色信息都按照3个~5个高斯模型分布。在监控当前帧中，不在这些分布中的像素则划归前景，在这些高斯分布中的像素划为背景，并利用新一帧中的像素对混合高斯模型进行更新。混合高斯模型是一种鲁棒性，快速的背景提取算法，可以有效的对噪音和背景中的不稳定因素，例如水波，摇动的树枝等有效地划归背景。　　2）阴影检测　　当前景物体利用GMM算法检测出以后，它们通常都会包含运动目标和阴影以及一部分噪音。在这一步我们利用HSV空间检测并移除第一步得到的前景中的阴影部分。　　（1）RGB空间转化到HSV空间　　根据文献[3]ColourSpaceConversions,我们可以

5、把RGB空间颜色转化到HSV上。计算公式为：　　①