第10卷第5期 智能系统学报 Vol.10 No.5 2015年10月 CAAI Transactions on Intelligent Systems 0ct.2015 D0I:10.11992/is.201410010 网s络出版t地址：htp:/www.cmki.net/kcms/detail/23.1538.tp.20150930.1556.012.html RGB和HSI颜色空间的一种改进的阴影消除算法 韩延彬2，郭晓鹏，魏延文2，李恒建2 (1.济南大学信息科学与工程学院，山东济南250022：2.山东省网络环境智能计算技术重点实验室，山东济南 250022) 摘要：在智能视频监控中，运动目标的准确提取至关重要。现有的运动目标检测算法虽然很多，但是阴影去除效 果都不甚理想，因此提出了一种基于RGB和HSI颜色空间的阴影消除改进算法。该算法在分析视频中像素点被阴 影覆盖和未被阴影覆盖时色调的近似一致性和亮度值成线性关系的基础上，利用2个颜色空间中组成颜色的各分 量值在该颜色中所占的比例和亮度的相对变化率，实现运动目标的阴影消除。实验表明，该算法去除阴影的效果优 于采用(，吕，)颜色空间阴影去除算法，且能有效弥补运动目标孔洞的现象，是对运动目标检测算法的补充。 关键词：目标检测：阴影消除：颜色空间：孔洞现象：视频分析 中图分类号：TP391文献标志码：A文章编号：1673-4785(2015)05-0769-06 中文引用格式：韩延彬，郭晓鹏，魏延文，等.RGB和HSI颜色空间的一种改进的阴影消除算法[J].智能系统学报，2015,10(5)： 769-774. 英文引用格式：HAN Yanbin,GUI Xiaopeng,WEI Yanwen,etal.An improved shadow removal algorithm based on RGB and HSI color spaces[J].CAAI Transactions on Intelligent Systems,2015,10(5):769-774. An improved shadow removal algorithm based on RGB and HSI color spaces HAN Yanbin'.2,GUO Xiaopeng',WEI Yanwen'2,LI Hengjian'.2 (1.School of Information Science and Engineering,University of Jinan,Jinan 250022,China;2.Shandong Provincial Key Laboratory of Network Based Intelligent Computing,Jinan 250022,China) Abstract:It is critical to exactly extract moving targets in intelligent video surveillance.There are many moving tar- get detection algorithms,but for all the effects of shadow elimination are not ideal.In order to remove the shadow, an improved shadow removal algorithm based on RGB and HSI color spaces is presented.The analysis of the pixels in videoes shows that the hue is approximately consistent before and after the pixels are shaded,and there exists a linear relation between this approximate consistency and the value of luminance.On this basis,by utilizing the pro- portion of each color component in the color spaces and the relative change rates of brightness,the shadow of a moving object can be removed.The experimental results show that the shadow removal effect of this algorithm is bet- ter than that of the algorithm with (r,g,1)color space.In addition,it can also cope with holes in moving targets and is a supplement to the moving object detection algorithm. Keywords:target detection;shadow removal;color space;hole phenomenon;video analysis 快速精确的运动目标检测是智能视频监近代系出来。当阴影与运动目标粘合在一起时，运动目标 统的关键问题。相对于背景，阴影与运动目标有相 的形状会发生很大的形状变化，当阴影与运动目标 同的运动规律，常常作为运动目标的一部分被检测 分离时，阴影会被认为是另一个运动目标。虽然现 有的运动目标检测方法很多，但是都存在阴影的干 收稿日期：2014-10-08.网络出版日期：2015-09.30. 基金项目：国家自然科学基金资助项目(61103117,61303199)：山东 扰，影响运动目标的识别和行为分析。常见的阴影 省科技发展计划(2013YD01043):山东省高校科研计划项 去除方法有基于模型的方法1-]和基于特征的方 目(J12LN19,J14LN15). 通信作者：韩延彬.E-mail:ise_hanyb@ujn.cdu.cm 法5-。基于模型的方法需要已知场景、运动目标
第 １０ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．５ ２０１５ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ． ２０１５ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１４１００１０ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１５０９３０．１５５６．０１２．ｈｔｍｌ ＲＧＢ 和 ＨＳＩ 颜色空间的一种改进的阴影消除算法 韩延彬１，２ ，郭晓鹏１ ，魏延文１，２ ，李恒建１，２ （１． 济南大学 信息科学与工程学院， 山东 济南 ２５００２２； ２． 山东省网络环境智能计算技术重点实验室，山东 济南 ２５００２２） 摘 要：在智能视频监控中，运动目标的准确提取至关重要。 现有的运动目标检测算法虽然很多，但是阴影去除效 果都不甚理想，因此提出了一种基于 ＲＧＢ 和 ＨＳＩ 颜色空间的阴影消除改进算法。 该算法在分析视频中像素点被阴 影覆盖和未被阴影覆盖时色调的近似一致性和亮度值成线性关系的基础上，利用 ２ 个颜色空间中组成颜色的各分 量值在该颜色中所占的比例和亮度的相对变化率，实现运动目标的阴影消除。 实验表明，该算法去除阴影的效果优 于采用（ｒ， ｇ， Ｉ）颜色空间阴影去除算法，且能有效弥补运动目标孔洞的现象，是对运动目标检测算法的补充。 关键词：目标检测；阴影消除；颜色空间；孔洞现象；视频分析 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０５⁃０７６９⁃０６ 中文引用格式： 韩延彬，郭晓鹏，魏延文，等． ＲＧＢ 和 ＨＳＩ 颜色空间的一种改进的阴影消除算法［ Ｊ］． 智能系统学报， ２０１５， １０（５）： ７６９⁃７７４． 英文引用格式：ＨＡＮ Ｙａｎｂｉｎ，ＧＵＩ Ｘｉａｏｐｅｎｇ，ＷＥＩ Ｙａｎｗｅｎ，ｅｔ ａｌ． Ａｎ ｉｍｐｒｏｖｅｄ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＲＧＢ ａｎｄ ＨＳＩ ｃｏｌｏｒ ｓｐａｃｅｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５，１０（５）： ７６９⁃７７４． Ａｎ ｉｍｐｒｏｖｅｄ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＲＧＢ ａｎｄ ＨＳＩ ｃｏｌｏｒ ｓｐａｃｅｓ ＨＡＮ Ｙａｎｂｉｎ １，２ ， ＧＵＯ Ｘｉａｏｐｅｎｇ １ ， ＷＥＩ Ｙａｎｗｅｎ １，２ ， ＬＩ Ｈｅｎｇｊｉａｎ １，２ （１． Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｊｉｎａｎ， Ｊｉｎａｎ ２５００２２， Ｃｈｉｎａ； ２． Ｓｈａｎｄｏｎｇ Ｐｒｏｖｉｎｃｉａｌ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｎｅｔｗｏｒｋ Ｂａｓｅｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｍｐｕｔｉｎｇ， Ｊｉｎａｎ ２５００２２， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｔ ｉｓ ｃｒｉｔｉｃａｌ ｔｏ ｅｘａｃｔｌｙ ｅｘｔｒａｃｔ ｍｏｖｉｎｇ ｔａｒｇｅｔｓ ｉｎ ｉｎｔｅｌｌｉｇｅｎｔ ｖｉｄｅｏ ｓｕｒｖｅｉｌｌａｎｃｅ． Ｔｈｅｒｅ ａｒｅ ｍａｎｙ ｍｏｖｉｎｇ ｔａｒ⁃ ｇｅｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ， ｂｕｔ ｆｏｒ ａｌｌ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｓｈａｄｏｗ ｅｌｉｍｉｎａｔｉｏｎ ａｒｅ ｎｏｔ ｉｄｅａｌ． Ｉｎ ｏｒｄｅｒ ｔｏ ｒｅｍｏｖｅ ｔｈｅ ｓｈａｄｏｗ， ａｎ ｉｍｐｒｏｖｅｄ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＲＧＢ ａｎｄ ＨＳＩ ｃｏｌｏｒ ｓｐａｃｅｓ ｉｓ ｐｒｅｓｅｎｔｅｄ． Ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｐｉｘｅｌｓ ｉｎ ｖｉｄｅｏｅｓ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｈｕｅ ｉｓ ａｐｐｒｏｘｉｍａｔｅｌｙ ｃｏｎｓｉｓｔｅｎｔ ｂｅｆｏｒｅ ａｎｄ ａｆｔｅｒ ｔｈｅ ｐｉｘｅｌｓ ａｒｅ ｓｈａｄｅｄ， ａｎｄ ｔｈｅｒｅ ｅｘｉｓｔｓ ａ ｌｉｎｅａｒ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｉｓ ａｐｐｒｏｘｉｍａｔｅ ｃｏｎｓｉｓｔｅｎｃｙ ａｎｄ ｔｈｅ ｖａｌｕｅ ｏｆ ｌｕｍｉｎａｎｃｅ． Ｏｎ ｔｈｉｓ ｂａｓｉｓ， ｂｙ ｕｔｉｌｉｚｉｎｇ ｔｈｅ ｐｒｏ⁃ ｐｏｒｔｉｏｎ ｏｆ ｅａｃｈ ｃｏｌｏｒ ｃｏｍｐｏｎｅｎｔ ｉｎ ｔｈｅ ｃｏｌｏｒ ｓｐａｃｅｓ ａｎｄ ｔｈｅ ｒｅｌａｔｉｖｅ ｃｈａｎｇｅ ｒａｔｅｓ ｏｆ ｂｒｉｇｈｔｎｅｓｓ， ｔｈｅ ｓｈａｄｏｗ ｏｆ ａ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｃａｎ ｂｅ ｒｅｍｏｖｅｄ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ｅｆｆｅｃｔ ｏｆ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｉｓ ｂｅｔ⁃ ｔｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ （ｒ， ｇ， Ｉ） ｃｏｌｏｒ ｓｐａｃｅ． Ｉｎ ａｄｄｉｔｉｏｎ， ｉｔ ｃａｎ ａｌｓｏ ｃｏｐｅ ｗｉｔｈ ｈｏｌｅｓ ｉｎ ｍｏｖｉｎｇ ｔａｒｇｅｔｓ ａｎｄ ｉｓ ａ ｓｕｐｐｌｅｍｅｎｔ ｔｏ ｔｈｅ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ． Ｋｅｙｗｏｒｄｓ：ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ； ｓｈａｄｏｗ ｒｅｍｏｖａｌ； ｃｏｌｏｒ ｓｐａｃｅ； ｈｏｌｅ ｐｈｅｎｏｍｅｎｏｎ； ｖｉｄｅｏ ａｎａｌｙｓｉｓ 收稿日期：２０１４⁃１０⁃０８． 网络出版日期：２０１５⁃０９⁃３０． 基金项目：国家自然科学基金资助项目（６１１０３１１７， ６１３０３１９９）；山东 省科技发展计划（２０１３ＹＤ０１０４３）；山东省高校科研计划项 目（Ｊ１２ＬＮ１９，Ｊ１４ＬＮ１５）． 通信作者：韩延彬． Ｅ⁃ｍａｉｌ：ｉｓｅ＿ｈａｎｙｂ＠ ｕｊｎ．ｅｄｕ．ｃｎ． 快速精确的运动目标检测是智能视频监近代系 统的关键问题。 相对于背景，阴影与运动目标有相 同的运动规律，常常作为运动目标的一部分被检测 出来。 当阴影与运动目标粘合在一起时，运动目标 的形状会发生很大的形状变化，当阴影与运动目标 分离时，阴影会被认为是另一个运动目标。 虽然现 有的运动目标检测方法很多，但是都存在阴影的干 扰，影响运动目标的识别和行为分析。 常见的阴影 去除方法有基于模型的方法［１－５］ 和基于特征的方 法［５－１４］ 。 基于模型的方法需要已知场景、运动目标
·770 智能系统学报 第10卷 和光照条件等，建立阴影模型比较困难且计算复杂 监控场景中背景的纹理信息并不明显，所以选取颜 度高，不适用于实时性应用。基于特征的方法主要 色信息来去除阴影。利用颜色信息去除阴影的方法 是利用颜色和纹理特征，但是颜色特征对光照变化 有很多，但都是基于单一颜色空间的阴影去除方法， 较为敏感，纹理有时并不明显，而且误检率比较高。 或者是同时利用颜色信息和纹理信息2种特征去除 针对现有阴影检测算法的缺点，根据视频中像 阴影214，而且都无法克服光照对颜色的影响。为 素点在阴影区域和没在阴影区域中的色调近似一致 了避免颜色对光照的敏感性，选择对阴影去除效果 并且亮度值成一定的线性关系的特点[1s],利用 较好的颜色分量，跨越各种常见的颜色空间各个分 RGB和HSI颜色分量的优势[18-2]克服光照对颜色 量之间的冗余性和完备性，构造多个具有一定互补 的影响，提出了一种改进的基于(r,g,I)混合颜色 性的颜色分量所构成的混合颜色空间] 空间的阴影去除算法[2)。用亮度变化的相对率 为了构造恰当颜色空间，根据视频中像素点在 △代替亮度变化的绝对量，同时保持颜色对光照变 阴影区域和没在阴影区域中的色调是近似一致的原 化的不敏感性，当前景的颜色组成成分与背景相似 理，对RGB色彩空间进行归一化处理： 时，会消除阴影去除时造成运动目标孔洞的现象。 R r= 本文分析了阴影区域的特点，利用RGB和HSI R+G+B 中的多个颜色分量[9]构建易于消除阴影的混合 G 8÷ R+G+B (1) 颜色空间(r,g,)。在详细分析孔洞特点的基础 上，提出利用亮度相对变化率取代亮度绝对变化量 B 6=- R+G+B 的改进混合颜色空间(r,g,△I)。实验表明，本文 通过式(1)归一化后的颜色空间是由组成颜色 改进算法有良好的消除阴影效果。 值的各个分量值R、G、B所占的比例构成的。相对 1 阴影分析和颜色空间选取 于(R,G,B)颜色空间来说，归一化的(r,g,b)颜 色空间降低了对颜色变化的敏感性，同时也失去了 1.1阴影分析 亮度信息。另外式(1)还隐含另一种关系式： 阴影是物体表面未被光源照射而形成的暗区 +g+b=1 (2) 域，可分为自身阴影和投射阴影。自身阴影是物体 本身没有被光线直接照射到的部分：投射阴影是目 通过式(2)可知，归一化的(r,g,b)颜色空间 是二维的。在构造混合颜色空间时，为了消除归一 标遮挡光源进行投影得到的区域，又可分为本影和 化的(r,g,b)颜色空间的冗余性，只选择r,g2个 半影。本影是运动目标完全遮挡了光线，半影是运 分量作为新颜色空间中的分量。 动目标部分遮挡了光线。本影由光源决定，如果是 根据视频中像素点在阴影区域和没在阴影区域 单纯的点光源则不存在本影，如果是单纯的面光源 中亮度值成一定的线性关系的原理，选择亮度值I 则存在本影。自身阴影是目标本身的一部分，不用 作为多维颜色空间中的另一个分量以消除阴影。所 对本影进行去除。对于投射阴影中的本影，由于真 以可以定义另一种归一化的多颜色空间(r,g,), 实场景中光源不是单一的，本影在阴影的占有比例 归一化公式如式(3)所示： 比较少，所以一般的阴影去除都是指半影的去 R 除[25-2] r= R+G+B 阴影的去除算法大都是针对阴影的特性进行 G 的，即使是基于模型的阴影去除算法也是根据阴影 8s」 (3) R+G+B 的特性进行建模的。阴影的特性主要表现为[5)]： R+G+B 在一定的亮度条件下，同一物体在阴影区域和不在 I= 3 阴影区域的色调近似一致：视频中像素点被阴影覆 混合颜色空间(r,g,I)是对(r,g,b)颜色空 盖和没有被阴影覆盖时的灰度（亮度）值成近似的 间的改进，它包含了色度和亮度信息，而且该颜色信 线性关系[15]：阴影区域和背景区域有相似的纹理 息是用各颜色值所占的比例表示的，对光照的变化 信息。 不明显。 1.2颜色空间的选取 值得注意的是，在r、g、b颜色空间中，人眼对蓝 对于一般的监控场景，纹理和颜色信息都是比 色感知最弱（从彩色到灰度的转化公式可知），所以 较重要的信息。虽然有很好的纹理检测方法，但是 在构建混合颜色空间时多采用r、g分量组合，从而
和光照条件等，建立阴影模型比较困难且计算复杂 度高，不适用于实时性应用。 基于特征的方法主要 是利用颜色和纹理特征，但是颜色特征对光照变化 较为敏感，纹理有时并不明显，而且误检率比较高。 针对现有阴影检测算法的缺点，根据视频中像 素点在阴影区域和没在阴影区域中的色调近似一致 并且亮度值成一定的线性关系的特点［１５⁃１７］ ，利用 ＲＧＢ 和 ＨＳＩ 颜色分量的优势［１８⁃２１］ 克服光照对颜色 的影响，提出了一种改进的基于（ｒ， ｇ， Ｉ）混合颜色 空间的阴影去除算法［２２⁃２４］ 。 用亮度变化的相对率 DＩ代替亮度变化的绝对量，同时保持颜色对光照变 化的不敏感性，当前景的颜色组成成分与背景相似 时，会消除阴影去除时造成运动目标孔洞的现象。 本文分析了阴影区域的特点，利用 ＲＧＢ 和 ＨＳＩ 中的多个颜色分量［１９⁃２０］ 构建易于消除阴影的混合 颜色空间（ｒ， ｇ， Ｉ）。 在详细分析孔洞特点的基础 上，提出利用亮度相对变化率取代亮度绝对变化量 的改进混合颜色空间（ ｒ， ｇ， DＩ）。 实验表明，本文 改进算法有良好的消除阴影效果。 １ 阴影分析和颜色空间选取 １．１ 阴影分析 阴影是物体表面未被光源照射而形成的暗区 域，可分为自身阴影和投射阴影。 自身阴影是物体 本身没有被光线直接照射到的部分；投射阴影是目 标遮挡光源进行投影得到的区域，又可分为本影和 半影。 本影是运动目标完全遮挡了光线，半影是运 动目标部分遮挡了光线。 本影由光源决定，如果是 单纯的点光源则不存在本影，如果是单纯的面光源 则存在本影。 自身阴影是目标本身的一部分，不用 对本影进行去除。 对于投射阴影中的本影，由于真 实场景中光源不是单一的，本影在阴影的占有比例 比较少， 所 以 一 般 的 阴 影 去 除 都 是 指 半 影 的 去 除［２５－２６］ 。 阴影的去除算法大都是针对阴影的特性进行 的，即使是基于模型的阴影去除算法也是根据阴影 的特性进行建模的。 阴影的特性主要表现为［１５⁃１７］ ： 在一定的亮度条件下，同一物体在阴影区域和不在 阴影区域的色调近似一致；视频中像素点被阴影覆 盖和没有被阴影覆盖时的灰度（亮度）值成近似的 线性关系［１５⁃１７］ ；阴影区域和背景区域有相似的纹理 信息。 １．２ 颜色空间的选取 对于一般的监控场景，纹理和颜色信息都是比 较重要的信息。 虽然有很好的纹理检测方法，但是 监控场景中背景的纹理信息并不明显，所以选取颜 色信息来去除阴影。 利用颜色信息去除阴影的方法 有很多，但都是基于单一颜色空间的阴影去除方法， 或者是同时利用颜色信息和纹理信息 ２ 种特征去除 阴影［１２⁃１４］ ，而且都无法克服光照对颜色的影响。 为 了避免颜色对光照的敏感性，选择对阴影去除效果 较好的颜色分量，跨越各种常见的颜色空间各个分 量之间的冗余性和完备性，构造多个具有一定互补 性的颜色分量所构成的混合颜色空间［１８］ 。 为了构造恰当颜色空间，根据视频中像素点在 阴影区域和没在阴影区域中的色调是近似一致的原 理，对 ＲＧＢ 色彩空间进行归一化处理： ｒ ＝ Ｒ Ｒ ＋ Ｇ ＋ Ｂ ｇ ＝ Ｇ Ｒ ＋ Ｇ ＋ Ｂ ｂ ＝ Ｂ Ｒ ＋ Ｇ ＋ Ｂ ì î í ï ï ï ï ï ï ïï （１） 通过式（１）归一化后的颜色空间是由组成颜色 值的各个分量值 Ｒ、Ｇ、Ｂ 所占的比例构成的。 相对 于（Ｒ， Ｇ， Ｂ）颜色空间来说，归一化的（ ｒ， ｇ， ｂ）颜 色空间降低了对颜色变化的敏感性，同时也失去了 亮度信息。 另外式（１）还隐含另一种关系式： ｒ ＋ ｇ ＋ ｂ ＝ １ （２） 通过式（２）可知，归一化的（ｒ， ｇ， ｂ）颜色空间 是二维的。 在构造混合颜色空间时，为了消除归一 化的（ｒ， ｇ， ｂ）颜色空间的冗余性，只选择 ｒ， ｇ ２ 个 分量作为新颜色空间中的分量。 根据视频中像素点在阴影区域和没在阴影区域 中亮度值成一定的线性关系的原理，选择亮度值 Ｉ 作为多维颜色空间中的另一个分量以消除阴影。 所 以可以定义另一种归一化的多颜色空间（ｒ， ｇ， Ｉ）， 归一化公式如式（３）所示： ｒ ＝ Ｒ Ｒ ＋ Ｇ ＋ Ｂ ｇ ＝ Ｇ Ｒ ＋ Ｇ ＋ Ｂ Ｉ ＝ Ｒ ＋ Ｇ ＋ Ｂ ３ ì î í ï ï ï ï ï ï ïï （３） 混合颜色空间（ ｒ， ｇ， Ｉ）是对（ ｒ， ｇ， ｂ）颜色空 间的改进，它包含了色度和亮度信息，而且该颜色信 息是用各颜色值所占的比例表示的，对光照的变化 不明显。 值得注意的是，在 ｒ、ｇ、ｂ 颜色空间中，人眼对蓝 色感知最弱（从彩色到灰度的转化公式可知），所以 在构建混合颜色空间时多采用 ｒ、ｇ 分量组合，从而 ·７７０· 智 能 系 统 学 报 第 １０ 卷
第5期 韩延彬，等：RGB和HSI颜色空间的一种改进的阴影消除算法 ·771. 保留较多的颜色信息。 因为相对变化较小，可以判断的噪声干扰，因此用亮 度的相对变化来解决运动目标的孔洞更合适。 2改进的阴影去除算法 所以改进的混合颜色空间(r,g,)的阴影去除 根据在一定亮度条件下，同一物体在阴影区域 算法，是用亮度的相对变化率去除阴影，即用△1替 和不在阴影区域的色调近似一致的原理，即对于 换混合颜色空间1分量来进行阴影去除，式(4)可以 RGB颜色空间，只要R:G:B的比值不变，色调就不 改进为式(6)。 会发生变化，均匀地增大或减小R:G:B的比例系 lx-x|≤T,ce{r,g} 数，亮度会发生变化，但是色调还是不变的。例如 |x-x6 (6) R:G:B=1:1:1表示白色，R:G:B=0.5:0.5:0.5也表 ≤T2,c∈{I} x后 示白色，但是亮度变小了。对应地，如果色调不变， 式中：T、T,是阈值。 在(r,g,)颜色空间中的r、g的值就不变。另外， 改进的阴影消除算法流程如下： 视频中像素点被阴影覆盖和没有被阴影覆盖时的灰 1)对场景进行背景建模，获取背景模型图像x。; 度（亮度）值成线性关系的特性1s-),在(r,g,)颜 2)根据式(3)提取背景图像的混合颜色空间各 色空间中表现出前景帧和背景帧在Ⅰ上的比值一 分量T、g、I; 定。文献[22-24]通过式(4)进行阴影去除。 3)从视频当中获取每帧图像，并计算混合颜色 x-x6|≤T,c∈{r,g} 空间分量r、g、: (4) 4)用式(6)取代式(4)，计算当前像素点和背景 B≤ ≤y,c∈{I} x 图像颜色信息差值，进一步判定当前像素是否属于 式中：x,是当前帧图像，x。是通过对背景进行建模得 目标图像像素。 到的背景图像，c是r、g、I中的某一个量，T、B、y是 3实验结果及分析 阈值，如果(r,g,I)不是归一化到0~255，则y是 1,如果是归一化到0~255，则y不是1。 图2和图3描述了室内和室外2种移动目标检 根据式(4)虽然可以去除阴影，但是运动目标 测的结果。其中图2(a)和图3(a)为获取的视频原 存在孔洞的现象，如图1（室内场景）所示。因为组 始帧图像：图2(b)和图3(b)为利用背景建模获取 成前景目标的像素点的颜色值与背景像素点的颜色 的一栋目标区域：图2(c)和图3(c)为利用基于混 值相似，虽然运动目标的亮度很大，但当背景的亮度 合颜色空间的(r,g,I)阴影去除算法；图2(d)和图3 也很大时，根据式(4)运动目标就会被判为阴影而 (d)为改进的混合颜色空间的(r,g,△)阴影去除 去除。所以用上达的阴影去除算法时，检测出来的 算法。 运动目标会有孔洞现象，并且该孔洞难以用形态学 的方法消除。 (a)输入视频帧 图1孔洞现象 Fig.1 Holes phenomenon 为了消除孔洞现象，文献[24]用式(5)来动态 去除阴影后运动目标中出现的孔洞现象。 |xi-x6l≤T (5) (b)包含阴影的运动目标 式中：c是亮度分量，T是阈值。用式(5)虽然有时 能去除运动目标在去除阴影后留下的孔洞，但有时 还是会存在孔洞。例如2个亮度值分别为20和 100的像素点，如果亮度值变化为40，根据式(5)它 们都会被认为是运动目标：如果用亮度的相对率来 表示，则其值分别为2和0.4，进而说明前者灰度相 对变化较大，可能是因目标运动引起的：而后者灰度 (c)(r,8,I)方法
保留较多的颜色信息。 ２ 改进的阴影去除算法 根据在一定亮度条件下，同一物体在阴影区域 和不在阴影区域的色调近似一致的原理，即对于 ＲＧＢ 颜色空间，只要 Ｒ：Ｇ：Ｂ 的比值不变，色调就不 会发生变化，均匀地增大或减小 Ｒ：Ｇ：Ｂ 的比例系 数，亮度会发生变化，但是色调还是不变的。 例如 Ｒ：Ｇ：Ｂ ＝ １：１：１ 表示白色，Ｒ：Ｇ：Ｂ ＝ ０．５：０．５：０．５ 也表 示白色，但是亮度变小了。 对应地，如果色调不变， 在（ｒ， ｇ， Ｉ）颜色空间中的 ｒ、ｇ 的值就不变。 另外， 视频中像素点被阴影覆盖和没有被阴影覆盖时的灰 度（亮度）值成线性关系的特性［１５－１７］ ，在（ｒ， ｇ， Ｉ）颜 色空间中表现出前景帧和背景帧在 Ｉ 上的比值一 定。 文献［２２⁃２４］通过式（４）进行阴影去除。 ｘ ｃ ｔ － ｘ ｃ ｂ ≤ Ｔ， ∀ｃ ∈ {ｒ，ｇ} β ≤ ｘ ｃ ｔ ， ｘ ｃ ｂ ≤ γ， ｃ ∈ {Ｉ} ì î í ï ï ï ï （４） 式中：ｘｔ是当前帧图像，ｘｂ 是通过对背景进行建模得 到的背景图像，ｃ 是 ｒ、ｇ、Ｉ 中的某一个量，Ｔ、β、γ 是 阈值，如果（ｒ， ｇ， Ｉ） 不是归一化到 ０ ～ ２５５，则 γ 是 １，如果是归一化到 ０～２５５，则 γ 不是 １。 根据式（４）虽然可以去除阴影，但是运动目标 存在孔洞的现象，如图 １（室内场景）所示。 因为组 成前景目标的像素点的颜色值与背景像素点的颜色 值相似，虽然运动目标的亮度很大，但当背景的亮度 也很大时，根据式（４）运动目标就会被判为阴影而 去除。 所以用上达的阴影去除算法时，检测出来的 运动目标会有孔洞现象，并且该孔洞难以用形态学 的方法消除。 图 １ 孔洞现象 Ｆｉｇ．１ Ｈｏｌｅｓ ｐｈｅｎｏｍｅｎｏｎ 为了消除孔洞现象，文献［２４］用式（５）来动态 去除阴影后运动目标中出现的孔洞现象。 ｘ ｃ ｔ － ｘ ｃ ｂ ≤ Ｔ （５） 式中：ｃ 是亮度分量，Ｔ 是阈值。 用式（５） 虽然有时 能去除运动目标在去除阴影后留下的孔洞，但有时 还是会存在孔洞。 例如 ２ 个亮度值分别为 ２０ 和 １００ 的像素点，如果亮度值变化为 ４０，根据式（５）它 们都会被认为是运动目标；如果用亮度的相对率来 表示，则其值分别为 ２ 和 ０．４，进而说明前者灰度相 对变化较大，可能是因目标运动引起的；而后者灰度 因为相对变化较小，可以判断的噪声干扰，因此用亮 度的相对变化来解决运动目标的孔洞更合适。 所以改进的混合颜色空间（ｒ， ｇ， Ｉ）的阴影去除 算法，是用亮度的相对变化率去除阴影，即用 ΔＩ 替 换混合颜色空间 Ｉ 分量来进行阴影去除，式（４）可以 改进为式（６）。 ｘ ｃ ｔ － ｘ ｃ ｂ ≤ Ｔ１ ， ∀ｃ ∈ {ｒ，ｇ} ｘ ｃ ｔ － ｘ ｃ ｂ ｘ ｃ ｂ ≤ Ｔ２ ， ｃ ∈ {Ｉ} ì î í ï ï ï ï （６） 式中：Ｔ１ 、Ｔ２是阈值。 改进的阴影消除算法流程如下： １） 对场景进行背景建模，获取背景模型图像 ｘｂ； ２）根据式（３）提取背景图像的混合颜色空间各 分量 ｒ、ｇ、Ｉ； ３）从视频当中获取每帧图像，并计算混合颜色 空间分量 ｒ、 ｇ、Ｉ； ４）用式（６）取代式（４），计算当前像素点和背景 图像颜色信息差值，进一步判定当前像素是否属于 目标图像像素。 ３ 实验结果及分析 图 ２ 和图 ３ 描述了室内和室外 ２ 种移动目标检 测的结果。 其中图 ２（ａ）和图 ３（ａ）为获取的视频原 始帧图像；图 ２（ｂ）和图 ３（ ｂ）为利用背景建模获取 的一栋目标区域；图 ２（ｃ）和图 ３（ ｃ）为利用基于混 合颜色空间的（ｒ，ｇ，Ｉ）阴影去除算法；图 ２（ｄ）和图 ３ （ｄ）为改进的混合颜色空间的（ ｒ，ｇ， ΔＩ） 阴影去除 算法。 （ａ）输入视频帧 （ｂ）包含阴影的运动目标 （ｃ）（ｒ， ｇ，Ｉ）方法 第 ５ 期 韩延彬，等：ＲＧＢ 和 ＨＳＩ 颜色空间的一种改进的阴影消除算法 ·７７１·
·772· 智能系统学报 第10卷 影，改进的混合颜色空间的(r,g,△)阴影去除算 法的阴影去除效果比基于混合颜色空间的（π，g,) 阴影去除算法效果好。主要表现在：图2(c)与图 2(d)相比较，图2(c)中去掉阴影后的运动目标存 在孔洞，这种孔洞用一般的形态学处理方法中的膨 胀操作不能去除：图3(c)与图3(d)相比较，图3 (d)(r,g,△)方法 ()所对应的运动目标较完整，在运动目标肩膀部 图2（r,8,I)算法和(r,8,)室内阴影去除效果比较 Fig.2 Comparison of shadow removal results between 位更明显。虽然这2种方法对阴影的变化都不敏 (rg1)algorithm and (r,g,Al)algorithm indoor 感，但是改进方法阴影检测效果最好。亮度的相对 变化率减少了亮度绝对变化引起的对运动目标的误 判，使运动目标更充实。 此外，图2(d)和图3(d)中出现了一些分运动 目标检测区域，这是由于在运动过程中，引起了局部 光照变化，可以利用区域过滤进行消除，在此不再 赘述。 (a)输入视频帧 4结束语 基于RGB和HSI颜色空间改进的混合颜色空 间的(r,g,△)阴影去除算法与混合颜色空间的(r, g,)阴影去除算法相比，阴影去除效果更好。虽然 都是依据色调近似一致和亮度近似成线性关系的阴 (b)包含阴影的运动目标 影特性，但改进算法采用归一化的RGB的2个r、g 分量和亮度变化率△1组成的混合颜色空间对阴影 进行去除，与利用颜色空间(r,g,)完成的阴影去 除算法相比，能去除阴影去除后运动目标自身的孔 洞，该孔洞是一般形态学中膨胀操作不能处理的。 这使得运动目标比较充实，是对运动目标检测很好 的补充。 (c)(r,g,)方法 参考文献： [1]MARTEL-BRISSON N,ZACCARIN A.Moving cast shadow detection from a Gaussian mixture shadow model[C]//Pro- ceedings of the IEEE Computer Society Conference on Com- puter Vision and Pattern Recognition.San Diego,USA, 2005:643-648. (d)(r,g,△)方法 [2]WANG Yang,LOE K F,WU Jiankang.A dynamic condi- 图3(r,8,I)算法和(r,8,△)算法室外阴影去除效果比较 tional random field model for foreground and shadow seg- Fig.3 Comparison of shadow removal results between mentation[J].IEEE Transactions on Pattern Analysis and (r,g,1)algorithm and (r,g,Al)algorithm outdoor Machine Intelligence,2006,28(2):279-289. 通过图2(b)和图3(b)可以看出，在运动目标 [3]PORIKLI F,THOMTON J.Shadow flow:A recursive meth- 检测过程中阴影会作为运动目标的一部分被提取出 od to learn moving cast shadows[C]//Proceedings of Tenth 来。不论是在室内还是在室外，不论是投射在墙壁 IEEE International Conference on Computer Vision.Beijing, China.2005:891-898. 上的影子还是投射在地面上的影子，不论是对于单 [4]褚一平，叶修梓，黄叶珏，等.融合时空信息的前景/阴 个运动目标形成的阴影还是对于多个目标形成的阴 影视频分割算法[J].模式识别与人工智能，2008,21
（ｄ）（ｒ， ｇ，ΔＩ）方法 图 ２ （ｒ，ｇ，Ｉ）算法和（ｒ，ｇ，ΔＩ）室内阴影去除效果比较 Ｆｉｇ． ２ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ｒｅｓｕｌｔｓ ｂｅｔｗｅｅｎ （ｒ，ｇ，Ｉ） ａｌｇｏｒｉｔｈｍ ａｎｄ （ｒ，ｇ，ΔＩ） ａｌｇｏｒｉｔｈｍ ｉｎｄｏｏｒ （ａ）输入视频帧 （ｂ）包含阴影的运动目标 （ｃ）（ｒ， ｇ，Ｉ）方法 （ｄ）（ｒ， ｇ，ΔＩ）方法 图 ３ （ｒ，ｇ，Ｉ）算法和（ｒ，ｇ，ΔＩ）算法室外阴影去除效果比较 Ｆｉｇ． ３ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ｒｅｓｕｌｔｓ ｂｅｔｗｅｅｎ （ｒ，ｇ，Ｉ） ａｌｇｏｒｉｔｈｍ ａｎｄ （ｒ，ｇ，ΔＩ） ａｌｇｏｒｉｔｈｍ ｏｕｔｄｏｏｒ 通过图 ２（ｂ）和图 ３（ ｂ）可以看出，在运动目标 检测过程中阴影会作为运动目标的一部分被提取出 来。 不论是在室内还是在室外，不论是投射在墙壁 上的影子还是投射在地面上的影子，不论是对于单 个运动目标形成的阴影还是对于多个目标形成的阴 影，改进的混合颜色空间的（ ｒ， ｇ， ΔＩ）阴影去除算 法的阴影去除效果比基于混合颜色空间的（ｒ， ｇ， Ｉ） 阴影去除算法效果好。 主要表现在：图 ２（ ｃ） 与图 ２（ｄ）相比较，图 ２（ ｃ） 中去掉阴影后的运动目标存 在孔洞，这种孔洞用一般的形态学处理方法中的膨 胀操作不能去除；图 ３（ ｃ） 与图 ３（ ｄ） 相比较，图 ３ （ｄ）所对应的运动目标较完整，在运动目标肩膀部 位更明显。 虽然这 ２ 种方法对阴影的变化都不敏 感，但是改进方法阴影检测效果最好。 亮度的相对 变化率减少了亮度绝对变化引起的对运动目标的误 判，使运动目标更充实。 此外，图 ２（ｄ）和图 ３（ｄ）中出现了一些分运动 目标检测区域，这是由于在运动过程中，引起了局部 光照变化，可以利用区域过滤进行消除，在此不再 赘述。 ４ 结束语 基于 ＲＧＢ 和 ＨＳＩ 颜色空间改进的混合颜色空 间的（ｒ，ｇ， ΔＩ）阴影去除算法与混合颜色空间的（ｒ， ｇ， Ｉ）阴影去除算法相比，阴影去除效果更好。 虽然 都是依据色调近似一致和亮度近似成线性关系的阴 影特性，但改进算法采用归一化的 ＲＧＢ 的 ２ 个 ｒ、ｇ 分量和亮度变化率 ΔＩ 组成的混合颜色空间对阴影 进行去除，与利用颜色空间（ｒ， ｇ， Ｉ）完成的阴影去 除算法相比，能去除阴影去除后运动目标自身的孔 洞，该孔洞是一般形态学中膨胀操作不能处理的。 这使得运动目标比较充实，是对运动目标检测很好 的补充。 参考文献： ［１］ＭＡＲＴＥＬ⁃ＢＲＩＳＳＯＮ Ｎ， ＺＡＣＣＡＲＩＮ Ａ． Ｍｏｖｉｎｇ ｃａｓｔ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ ａ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｓｈａｄｏｗ ｍｏｄｅｌ［Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍ⁃ ｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｎ Ｄｉｅｇｏ， ＵＳＡ， ２００５： ６４３⁃６４８． ［２］ＷＡＮＧ Ｙａｎｇ， ＬＯＥ Ｋ Ｆ， ＷＵ Ｊｉａｎｋａｎｇ． Ａ ｄｙｎａｍｉｃ ｃｏｎｄｉ⁃ ｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄ ｍｏｄｅｌ ｆｏｒ ｆｏｒｅｇｒｏｕｎｄ ａｎｄ ｓｈａｄｏｗ ｓｅｇ⁃ ｍｅｎｔａｔｉｏｎ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００６， ２８（２）： ２７９⁃２８９． ［３］ＰＯＲＩＫＬＩ Ｆ， ＴＨＯＭＴＯＮ Ｊ． Ｓｈａｄｏｗ ｆｌｏｗ： Ａ ｒｅｃｕｒｓｉｖｅ ｍｅｔｈ⁃ ｏｄ ｔｏ ｌｅａｒｎ ｍｏｖｉｎｇ ｃａｓｔ ｓｈａｄｏｗｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｔｅｎｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２００５： ８９１⁃８９８． ［４］褚一平， 叶修梓， 黄叶珏，等． 融合时空信息的前景／ 阴 影视频分割算法［ Ｊ］． 模式识别与人工智能， ２００８， ２１ ·７７２· 智 能 系 统 学 报 第 １０ 卷
第5期 韩延彬，等：RGB和HSI颜色空间的一种改进的阴影消除算法 ·773. (4)：546-550. gorithm based on Gabor wavelet and color model[J].Jour- CHU Yiping,YE Xiuzi,HUANG Yejue,et al.A spatio- nal of South China University of Technology:Natural Sci- temporal algorithm for video foreground and shadow segmen- ence Edition,2009,37(1):64-68. tation[J].Pattern Recognition and Artificial Intelligence, [13]郭利生，郭立，焦荣惠，等.一种基于运动阴影的目标 2008.21(4):546-550. 检测算法[J].模式识别与人工智能，2007,20(2)： [5]王彬，冯远静，郭海峰，等.交通场景中车辆的运动检 180-184. 测与阴影消除[J].中国图象图形学报，2012,17(11)： GUO Lisheng,GUO Li,JIAO Ronghui,et al.An object 1391-1399 detection algorithm based on moving shadow[J].Pattern WANG Bin,FENG Yuanjing,GUO Haifeng,et al.Adap- Recognition and Artificial Intelligence,2007,20(2 ) tive background updating and shadow detection in traffic 180-184. scenes[]].Journal of Image and Graphics,2012,17(11): [14]查字飞，楚瀛，王勋，等.一种基于Boosting判别模型 1391-1399. 的运动阴影检测方法[J].计算机学报，2007,30(8)： [6]SALVADOR E.CAVALLARO A,EBRAHIMI T.Cast 1295-1301. shadow segmentation using invariant color features [J]. ZHA Yufei,CHU Ying,WANG Xun,et al.A boosting Computer Vision and Image Understanding,2004,95(2): discriminative model for moving cast shadow detection[J]. 238-259. Chinese Journal of Computers,2007,30(8):1295-1301. [7]董蓉，李勃，陈启美.路况视频中HSV彩色不变量阴影 [15]GALLEGO J,PARDAS M,HARO G.Enhanced fore- 检测法研究与改进[J].中国图象图形学报，2009,14 ground segmentation and tracking combining Bayesian (12):2483-2487. background,shadow and foreground modeling[J].Pattern DONG Rong,LI Bo,CHEN Qimei.Research and improve- Recognition Letters,2012,33(12):1558-1568. ment on shadow detection in expressway videos using HSV [16]SONG Kaitai,TAI Jenchao.Image-based traffic monitoring color model[J].Journal of Image and Graphics,2009,14 with shadow suppression[J].Proceedings of the IEEE, (12):2483-2487 2007,95(2):413-426. [8]KUMAR P,SENGUPTA K,LEE A.A comparative study of [17]JACQUES C S,JUNG C R,MUSSE S R.Background sub- different color spaces for foreground and shadow detection traction and shadow detection in grayscale video sequences for traffic monitoring system[C//Proceedings of the IEEE [C]//Proceedings of the IEEE International Conference 5th International Conference on Intelligent Transportation on Computer Graphics and Image Processing.Natal,Bra- Systems.Washington DC,USA,2002:100-105. zil,2005:189-196. [9]LEONE A,DISTANTE C.Shadow detection for moving ob- [18]LI Jingping,QIN Min,XIA Yingjie,et al.Remarks on a jects based on texture analysis[].Pattern Recognition, novel statistical histogram-Average scene cumulative his- 2007,40(4):1222-1233. togram[C]//IEEE International Conference on Granular [10]万峻甫，刘建伟，向怀坤，等.交通视频序列阴影检测 Computing (GrC 2012).Hangzhou,China,2012:310- 算法研究[J].中国图象图形学报，2008,13(3)：467- 314. 471. [19]王真，李金屏，刘林，等.利用多颜色信息融合的自适 WAN Junfu,LIU Jianwei,XIANG Huaikun,et al.Re- 应肤色建模[J].计算机工程与应用，2011,47(30)： search on shadow detection in grayscale video sequence for 210-214. traffic images[]].Journal of Image and Graphics,2008, WANG Zhen,LI Jinping,LIU Lin,et al.Adaptive shin 13(3):467-471. color modeling based on color information fusion[].Com- [11]肖梅，韩崇昭.室内视频中基于边缘的运动阴影去除算 puter Engineering and Applications,2011,47(30):210- 法[J].模式识别与人工智能，2006,19(5)：640-644. 214. XIAO Mei,HAN Chongzhao.Edge-based moving shadow [20]刘林，李金屏，王真.基于多颜色空间和累计场均直方 removal algorithm for indoor video sequence[J.Pattern 图的视频场景分类[J].中国体视学与图像分析，2011， Recognition and Artificial Intelligence,2006,19 (5): 16(1):67-74 640-644. LIU Lin,LI Jinping,WANG Zhen.Video scene classifica- [12]柏柯嘉，刘伟铭，汤义.基于Gabor小波和颜色模型的 tion based on multiple color space and average scene histo- 阴影检测算法[J].华南理工大学学报：自然科学版. gram[J].Chinese Journal of Stereology and Image Analy- 2009,37(1):64-68. sis,2011,16(1):67-74. BAI Kejia,LIU Weimim,TANG Yi.Shadow detection al- [21]张中方，李金屏，拜佩.基于多颜色空间融合的移动目
（４）： ５４６⁃５５０． ＣＨＵ Ｙｉｐｉｎｇ， ＹＥ Ｘｉｕｚｉ， ＨＵＡＮＧ Ｙｅｊｕｅ， ｅｔ ａｌ． Ａ ｓｐａｔｉｏ⁃ ｔｅｍｐｏｒａｌ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｖｉｄｅｏ ｆｏｒｅｇｒｏｕｎｄ ａｎｄ ｓｈａｄｏｗ ｓｅｇｍｅｎ⁃ ｔａｔｉｏｎ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００８， ２１（４）： ５４６⁃５５０． ［５］王彬， 冯远静， 郭海峰， 等． 交通场景中车辆的运动检 测与阴影消除［ Ｊ］． 中国图象图形学报， ２０１２， １７（１１）： １３９１⁃１３９９． ＷＡＮＧ Ｂｉｎ， ＦＥＮＧ Ｙｕａｎｊｉｎｇ， ＧＵＯ Ｈａｉｆｅｎｇ， ｅｔ ａｌ． Ａｄａｐ⁃ ｔｉｖｅ ｂａｃｋｇｒｏｕｎｄ ｕｐｄａｔｉｎｇ ａｎｄ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｉｎ ｔｒａｆｆｉｃ ｓｃｅｎｅｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ， ２０１２， １７（１１）： １３９１⁃１３９９． ［６ ］ ＳＡＬＶＡＤＯＲ Ｅ， ＣＡＶＡＬＬＡＲＯ Ａ， ＥＢＲＡＨＩＭＩ Ｔ． Ｃａｓｔ ｓｈａｄｏｗ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ｉｎｖａｒｉａｎｔ ｃｏｌｏｒ ｆｅａｔｕｒｅｓ ［ Ｊ ］． Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ， ２００４， ９５（２）： ２３８⁃２５９． ［７］董蓉， 李勃， 陈启美． 路况视频中 ＨＳＶ 彩色不变量阴影 检测法研究与改进［ Ｊ］． 中国图象图形学报， ２００９， １４ （１２）： ２４８３⁃２４８７． ＤＯＮＧ Ｒｏｎｇ， ＬＩ Ｂｏ， ＣＨＥＮ Ｑｉｍｅｉ． Ｒｅｓｅａｒｃｈ ａｎｄ ｉｍｐｒｏｖｅ⁃ ｍｅｎｔ ｏｎ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｉｎ ｅｘｐｒｅｓｓｗａｙ ｖｉｄｅｏｓ ｕｓｉｎｇ ＨＳＶ ｃｏｌｏｒ ｍｏｄｅｌ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ， ２００９， １４ （１２）： ２４８３⁃２４８７． ［８］ＫＵＭＡＲ Ｐ， ＳＥＮＧＵＰＴＡ Ｋ， ＬＥＥ Ａ． Ａ ｃｏｍｐａｒａｔｉｖｅ ｓｔｕｄｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｃｏｌｏｒ ｓｐａｃｅｓ ｆｏｒ ｆｏｒｅｇｒｏｕｎｄ ａｎｄ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｔｒａｆｆｉｃ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ． Ｗａｓｈｉｎｇｔｏｎ ＤＣ， ＵＳＡ， ２００２： １００⁃１０５． ［９］ＬＥＯＮＥ Ａ， ＤＩＳＴＡＮＴＥ Ｃ． Ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｍｏｖｉｎｇ ｏｂ⁃ ｊｅｃｔｓ ｂａｓｅｄ ｏｎ ｔｅｘｔｕｒｅ ａｎａｌｙｓｉｓ ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２００７， ４０（４）： １２２２⁃１２３３． ［１０］万峻甫， 刘建伟， 向怀坤， 等． 交通视频序列阴影检测 算法研究［Ｊ］． 中国图象图形学报， ２００８， １３（３）： ４６７⁃ ４７１． ＷＡＮ Ｊｕｎｆｕ， ＬＩＵ Ｊｉａｎｗｅｉ， ＸＩＡＮＧ Ｈｕａｉｋｕｎ， ｅｔ ａｌ． Ｒｅ⁃ ｓｅａｒｃｈ ｏｎ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｉｎ ｇｒａｙｓｃａｌｅ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅ ｆｏｒ ｔｒａｆｆｉｃ ｉｍａｇｅｓ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ， ２００８， １３（３）： ４６７⁃４７１． ［１１］肖梅， 韩崇昭． 室内视频中基于边缘的运动阴影去除算 法［Ｊ］． 模式识别与人工智能， ２００６， １９（５）： ６４０⁃６４４． ＸＩＡＯ Ｍｅｉ， ＨＡＮ Ｃｈｏｎｇｚｈａｏ． Ｅｄｇｅ⁃ｂａｓｅｄ ｍｏｖｉｎｇ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｉｎｄｏｏｒ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅ ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００６， １９ （ ５ ）： ６４０⁃６４４． ［１２］柏柯嘉， 刘伟铭， 汤义． 基于 Ｇａｂｏｒ 小波和颜色模型的 阴影检测算法［ Ｊ］． 华南理工大学学报：自然科学版． ２００９， ３７（１）： ６４⁃６８． ＢＡＩ Ｋｅｊｉａ， ＬＩＵ Ｗｅｉｍｉｍ， ＴＡＮＧ Ｙｉ． Ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ａｌ⁃ ｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｇａｂｏｒ ｗａｖｅｌｅｔ ａｎｄ ｃｏｌｏｒ ｍｏｄｅｌ［Ｊ］． Ｊｏｕｒ⁃ ｎａｌ ｏｆ Ｓｏｕｔｈ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ：Ｎａｔｕｒａｌ Ｓｃｉ⁃ ｅｎｃｅ Ｅｄｉｔｉｏｎ， ２００９， ３７（１）： ６４⁃６８． ［１３］郭利生， 郭立， 焦荣惠， 等． 一种基于运动阴影的目标 检测算法［ Ｊ］． 模式识别与人工智能， ２００７， ２０ （ ２）： １８０⁃１８４． ＧＵＯ Ｌｉｓｈｅｎｇ， ＧＵＯ Ｌｉ， ＪＩＡＯ Ｒｏｎｇｈｕｉ， ｅｔ ａｌ． Ａｎ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｍｏｖｉｎｇ ｓｈａｄｏｗ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００７， ２０ （ ２ ）： １８０⁃１８４． ［１４］查宇飞， 楚瀛， 王勋， 等． 一种基于 Ｂｏｏｓｔｉｎｇ 判别模型 的运动阴影检测方法［ Ｊ］． 计算机学报， ２００７， ３０（８）： １２９５⁃１３０１． ＺＨＡ Ｙｕｆｅｉ， ＣＨＵ Ｙｉｎｇ， ＷＡＮＧ Ｘｕｎ， ｅｔ ａｌ． Ａ ｂｏｏｓｔｉｎｇ ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ｍｏｄｅｌ ｆｏｒ ｍｏｖｉｎｇ ｃａｓｔ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ［ Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２００７， ３０（８）： １２９５⁃１３０１． ［１５］ ＧＡＬＬＥＧＯ Ｊ， ＰＡＲＤÀＳ Ｍ， ＨＡＲＯ Ｇ． Ｅｎｈａｎｃｅｄ ｆｏｒｅ⁃ ｇｒｏｕｎｄ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｔｒａｃｋｉｎｇ ｃｏｍｂｉｎｉｎｇ Ｂａｙｅｓｉａｎ ｂａｃｋｇｒｏｕｎｄ， ｓｈａｄｏｗ ａｎｄ ｆｏｒｅｇｒｏｕｎｄ ｍｏｄｅｌｉｎｇ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ， ２０１２， ３３（１２）： １５５８⁃１５６８． ［１６］ＳＯＮＧ Ｋａｉｔａｉ， ＴＡＩ Ｊｅｎｃｈａｏ． Ｉｍａｇｅ⁃ｂａｓｅｄ ｔｒａｆｆｉｃ ｍｏｎｉｔｏｒｉｎｇ ｗｉｔｈ ｓｈａｄｏｗ ｓｕｐｐｒｅｓｓｉｏｎ ［ Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ， ２００７， ９５（２）： ４１３⁃４２６． ［ １７］ＪＡＣＱＵＥＳ Ｃ Ｓ， ＪＵＮＧ Ｃ Ｒ， ＭＵＳＳＥ Ｓ Ｒ． Ｂａｃｋｇｒｏｕｎｄ ｓｕｂ⁃ ｔｒａｃｔｉｏｎ ａｎｄ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｉｎ ｇｒａｙｓｃａｌｅ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ． Ｎａｔａｌ， Ｂｒａ⁃ ｚｉｌ， ２００５： １８９⁃１９６． ［１８］ＬＩ Ｊｉｎｇｐｉｎｇ， ＱＩＮ Ｍｉｎ， ＸＩＡ Ｙｉｎｇｊｉｅ， ｅｔ ａｌ． Ｒｅｍａｒｋｓ ｏｎ ａ ｎｏｖｅｌ ｓｔａｔｉｓｔｉｃａｌ ｈｉｓｔｏｇｒａｍ—Ａｖｅｒａｇｅ ｓｃｅｎｅ ｃｕｍｕｌａｔｉｖｅ ｈｉｓ⁃ ｔｏｇｒａｍ［ Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｇｒａｎｕｌａｒ Ｃｏｍｐｕｔｉｎｇ （ＧｒＣ ２０１２）． Ｈａｎｇｚｈｏｕ， Ｃｈｉｎａ， ２０１２： ３１０⁃ ３１４． ［１９］王真， 李金屏， 刘林， 等． 利用多颜色信息融合的自适 应肤色建模［ Ｊ］． 计算机工程与应用， ２０１１， ４７（ ３０）： ２１０⁃２１４． ＷＡＮＧ Ｚｈｅｎ， ＬＩ Ｊｉｎｐｉｎｇ， ＬＩＵ Ｌｉｎ， ｅｔ ａｌ． Ａｄａｐｔｉｖｅ ｓｈｉｎ ｃｏｌｏｒ ｍｏｄｅｌｉｎｇ ｂａｓｅｄ ｏｎ ｃｏｌｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ［Ｊ］． Ｃｏｍ⁃ ｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１１， ４７（３０）： ２１０⁃ ２１４． ［２０］刘林， 李金屏， 王真． 基于多颜色空间和累计场均直方 图的视频场景分类［Ｊ］． 中国体视学与图像分析， ２０１１， １６（１）： ６７⁃７４． ＬＩＵ Ｌｉｎ， ＬＩ Ｊｉｎｐｉｎｇ， ＷＡＮＧ Ｚｈｅｎ． Ｖｉｄｅｏ ｓｃｅｎｅ ｃｌａｓｓｉｆｉｃａ⁃ ｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｐｌｅ ｃｏｌｏｒ ｓｐａｃｅ ａｎｄ ａｖｅｒａｇｅ ｓｃｅｎｅ ｈｉｓｔｏ⁃ ｇｒａｍ［Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｔｅｒｅｏｌｏｇｙ ａｎｄ Ｉｍａｇｅ Ａｎａｌｙ⁃ ｓｉｓ， ２０１１， １６（１）： ６７⁃７４． ［２１］张中方， 李金屏， 拜佩． 基于多颜色空间融合的移动目 第 ５ 期 韩延彬，等：ＲＧＢ 和 ＨＳＩ 颜色空间的一种改进的阴影消除算法 ·７７３·
.774 智能系统学报 第10卷 标检测算法[J].济南大学学报：自然科学版，2011,25 作者简介： (2):191-195. 韩延彬，男，1979年生，副教授，中 ZHANG Zhongfang,LI Jinping,BAI Pei.Mobile object 国计算机学会多值逻辑与模糊逻辑专 detection algorithm based on information fusion of multiple 委会委员，中国人工智能学会机器学习 color spaces[J].Journal of University of Jinan:Science 专业委员会通讯委员，主要研究方向为 and Technology,2011,25(2):191-195. 模式识别、计算智能。主持和参与国家 [22]WNAG Hanzi,SUTER D.A re-evaluation of mixture of 和省部级项目多项，发表学术论文10 Gaussian background modeling C ]//IEEE International 余篇，其中被CI、EI收录10篇。 Conference on Acoustics,Speech,and Signal Proceedings. Philadelphia,USA,2005:1017-1020. 郭晓鹏，男，1992年生，硕士研究 「23]陈焕钟，李榕，程剑光.基于混合高斯模型的运动目标 生，主要研究方向为模式识别、计算机 检测[J].激光杂志，2009,3(4)：32-33. 视觉。 CHEN Huanzhong,LI Rong,CHENG Jianguang.Moving objects detection based on Gaussian mixture models[J]. Laser Journal.2009.3(4):32-33. [24]WANG Hanzi,DAVID S.A consensus-based method for tracking:modelling background scenario and foreground 魏延文，女，1985年生，硕士，主要 appearance[]].Pattern Recognition,2007,40(3): 研究方向为模式识别、计算机视觉。 1091-1105. [25 ]ZENG Huanglin,WANG Zhenya.A new algorithm of an improved detection of moving vehicles[M]//Advances in Swarm Intelligence.Berlin/Heidelberg:Springer,2010: 688-693. [26]JIANG Caixia,WARD M O.Shadow identification[C]// 李恒建，男，1980年生，副教授.博 Proceedings of IEEE Computer Society Conference on Com- 士，中国计算机学会多值逻辑与模糊逻 puter Vision and Pattern Recognition.Champaign,USA, 辑专委会委员，主要研究方向为模式识 1992:606-612. 别、，图像处理。主持和参与国家和省部 级项目多项，发表学术论文10余篇，其 中SC,EI收录10篇。 第17届EEE/ACS软件工程、人工智能、网络、并行/分布式计算国际会议 17th IEEE/ACIS International Conference on Software Engineering, Artificial Intelligence,Networking and Parallel/Distributed Computing (SNPD2016) 国际计算机和信息科学协会(International Association for Computer and Information Science,ACIS)已正式确定第17届软件 工程、人工智能、网络和并行/分布式计算国际大会(SNPD2016)将于2016年5月30日至6月1日在上海举行，由上海大学承 办。会议将聚集来自世界各地的研究人员、工程师、工业实践者以及学生，讨论和交流计算机和信息科学领域的新思想，研究 成果和实践经验。会议的核心主题包括软件体系结构与构件技术、模型驱动软件工程、算法、人工智能、互联网+、并行和分布 式计算等。本次研讨会的目的是通过中外学术交流，将中国学者的成果更好地介绍给国内外同行。 摘要截稿日期：2016-01-31 全文截稿日期：2016-01-31 论文录用通知日期：2016-03-31 会议网站：htp:/www.acisinternational..org/snpd2016/
标检测算法［Ｊ］． 济南大学学报： 自然科学版， ２０１１， ２５ （２）： １９１⁃１９５． ＺＨＡＮＧ Ｚｈｏｎｇｆａｎｇ， ＬＩ Ｊｉｎｐｉｎｇ， ＢＡＩ Ｐｅｉ． Ｍｏｂｉｌｅ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ｃｏｌｏｒ ｓｐａｃｅｓ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｊｉｎａｎ： Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０１１， ２５（２）： １９１⁃１９５． ［２２］ ＷＮＡＧ Ｈａｎｚｉ， ＳＵＴＥＲ Ｄ． Ａ ｒｅ⁃ｅｖａｌｕａｔｉｏｎ ｏｆ ｍｉｘｔｕｒｅ ｏｆ Ｇａｕｓｓｉａｎ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌｉｎｇ ［ Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ， Ｓｐｅｅｃｈ， ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｅｄｉｎｇｓ． Ｐｈｉｌａｄｅｌｐｈｉａ， ＵＳＡ， ２００５： １０１７⁃１０２０． ［２３］陈焕钟， 李榕， 程剑光． 基于混合高斯模型的运动目标 检测［Ｊ］． 激光杂志， ２００９， ３（４）： ３２⁃３３． ＣＨＥＮ Ｈｕａｎｚｈｏｎｇ， ＬＩ Ｒｏｎｇ， ＣＨＥＮＧ Ｊｉａｎｇｕａｎｇ． Ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌｓ ［ Ｊ］． Ｌａｓｅｒ Ｊｏｕｒｎａｌ， ２００９， ３（４）： ３２⁃３３． ［２４］ ＷＡＮＧ Ｈａｎｚｉ， ＤＡＶＩＤ Ｓ． Ａ ｃｏｎｓｅｎｓｕｓ⁃ｂａｓｅｄ ｍｅｔｈｏｄ ｆｏｒ ｔｒａｃｋｉｎｇ： ｍｏｄｅｌｌｉｎｇ ｂａｃｋｇｒｏｕｎｄ ｓｃｅｎａｒｉｏ ａｎｄ ｆｏｒｅｇｒｏｕｎｄ ａｐｐｅａｒａｎｃｅ ［ Ｊ ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２００７， ４０ （ ３ ）： １０９１⁃１１０５． ［２５］ＺＥＮＧ Ｈｕａｎｇｌｉｎ， ＷＡＮＧ Ｚｈｅｎｙａ． Ａ ｎｅｗ ａｌｇｏｒｉｔｈｍ ｏｆ ａｎ ｉｍｐｒｏｖｅｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ｍｏｖｉｎｇ ｖｅｈｉｃｌｅｓ［Ｍ］ ／ ／ Ａｄｖａｎｃｅｓ ｉｎ Ｓｗａｒｍ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｂｅｒｌｉｎ ／ Ｈｅｉｄｅｌｂｅｒｇ： Ｓｐｒｉｎｇｅｒ， ２０１０： ６８８⁃６９３． ［２６］ＪＩＡＮＧ Ｃａｉｘｉａ， ＷＡＲＤ Ｍ Ｏ． Ｓｈａｄｏｗ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍ⁃ ｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｃｈａｍｐａｉｇｎ， ＵＳＡ， １９９２： ６０６⁃６１２． 作者简介： 韩延彬，男，１９７９ 年生，副教授，中 国计算机学会多值逻辑与模糊逻辑专 委会委员，中国人工智能学会机器学习 专业委员会通讯委员，主要研究方向为 模式识别、计算智能。 主持和参与国家 和省部级项目多项，发表学术论文 １０ 余篇，其中被 ＳＣＩ、ＥＩ 收录 １０ 篇。 郭晓鹏，男，１９９２ 年生，硕士研究 生，主要研究方向为模式识别、计算机 视觉。 魏延文，女，１９８５ 年生，硕士，主要 研究方向为模式识别、计算机视觉。 李恒建，男，１９８０ 年生，副教授，博 士，中国计算机学会多值逻辑与模糊逻 辑专委会委员，主要研究方向为模式识 别、图像处理。 主持和参与国家和省部 级项目多项，发表学术论文 １０ 余篇，其 中 ＳＣＩ、ＥＩ 收录 １０ 篇。 第 １７ 届 ＩＥＥＥ／ ＡＣＩＳ 软件工程、人工智能、网络、并行／ 分布式计算国际会议 １７ｔｈ ＩＥＥＥ／ ＡＣＩＳ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ， Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， Ｎｅｔｗｏｒｋｉｎｇ ａｎｄ Ｐａｒａｌｌｅｌ／ Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｍｐｕｔｉｎｇ （ＳＮＰＤ ２０１６） 国际计算机和信息科学协会（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ， ＡＣＩＳ）已正式确定第 １７ 届软件 工程、人工智能、网络和并行／ 分布式计算国际大会（ＳＮＰＤ ２０１６）将于 ２０１６ 年 ５ 月 ３０ 日至 ６ 月 １ 日在上海举行，由上海大学承 办。 会议将聚集来自世界各地的研究人员、工程师、工业实践者以及学生，讨论和交流计算机和信息科学领域的新思想、研究 成果和实践经验。 会议的核心主题包括软件体系结构与构件技术、模型驱动软件工程、算法、人工智能、互联网＋、并行和分布 式计算等。 本次研讨会的目的是通过中外学术交流，将中国学者的成果更好地介绍给国内外同行。 摘要截稿日期：２０１６⁃０１⁃３１ 全文截稿日期：２０１６⁃０１⁃３１ 论文录用通知日期：２０１６⁃０３⁃３１ 会议网站：ｈｔｔｐ： ／ ／ ｗｗｗ．ａｃｉｓｉｎｔｅｒｎａｔｉｏｎａｌ．ｏｒｇ ／ ｓｎｐｄ２０１６ ／ ·７７４· 智 能 系 统 学 报 第 １０ 卷