·284· 智能系统学报 第10卷 验中，计算上下边界时，W=360,计算左右边界时， 阈值，或者落在阴影分布区间(E,-√D、,Es+ W=288,S[0]表示该计算方向上像素为0的像素点 √D、)内，即为车辆阴影，将它们作为背景点处理， 的个数总和。根据式(4)，计算图2中四边界像素点 就可以实现阴影的去除。差分图像的阴影去除结果 的分布特征，获得其4个投影边界像素分布的均值， 如图6所示。 分别为E,=65、E。=71、E,=56、ER=76,从中可以 看出，左投影边界E,灰度均值最小，即认为是阴影产 生的方向，则阴影分布均值Es=E,=56。 3)利用上一步得出的分布均值E、,计算其投 影边界灰度分布的标准差√Ds,计算如式(5)： (a)区域差分 (b)阴影消除结果 ∑S[]*(i-E,)2 √Ds= W-S[0] (5) 根据正态分布特性，绝大部分的阴影像素点分 布在区间(Es-√D、,E、+√D)内。该帧图像的 特征提取结果为：E、=56,√D、=17,则阴影像素点 (c)区域差分 )阴影消除结果 分布在(39,73)内。 图6投射阴影的去除 Fig.6 Remove the cast shadow 3阴影去除算法 4实验结果分析 阴影特征提取算法通过分析差分图像的单边侧 灰度分布，获得视频图像中阴影区域的像素分布情 本文实验采用的是西安市南二环中段所拍摄的 况。为了去除阴影，对图像分割进行修改，此时可分 交通视频，总帧数为5123，单帧图像分辨率为288× 为2类情况：当前帧像素点灰度大于等于背景图像 360。本文所有的算法程序均在VC++6.0开发平台 的像素点时，则该像素为浅色车辆或者背景，不需要 下实现。实验环境为ntel(R)Core(TM)2Quad 消除阴影，只进行正常的最佳阈值分割：当前帧像素 CPUQ83002.5GHz,内存2.5G。实验中，首先，获 点灰度小于背景图像的像素点时，则有可能是深色 得交通视频的帧图7(a),然后，通过区域背景差分 车辆或者阴影，需要对其分别进行处理，在此引入阴 法，最佳阈值分割，得到图7(b),最后，采用本文方 影像素分布区间的分割方法。计算如式(6)： 法，由式(4)求得阴影像素分布均值为E,=E,= D.（x,y)= 56,由式(5)求得阴影像素分布区间为(39,73)，利 1,其他 用该阴影分布，对图像进行阴影去除，结果如图7 0,D(x,y)≤TIID(x,y）∈S (c)所示。 ifP(x,y）-P4(x,y）<0 1,D(x,y)>T ifP(x,y）-Pat(x,y)≥0 色群 0,D(x,y)≤T (6) (a)原始帧图像(b)区域背景差分 (c)阴影消除后 D(x,y)=I P(x,y)-Phck(x,y)I 的效果 式中：D.(x,y)表示在(x,y)处的最终像素值取值 图7基于单边侧阴影特征的阴影去除 结果，P(x,y)为第k帧图像中坐标(x,y)的像素 Fig.7 Shadow removal based on the characteristics of 值，P(x,y)为已提取出的背景图像中坐标(x, unilateral side shadow y)的像素值，D(x,y)为第k帧图像的当前帧中坐 从检测结果可以看出，本文算法能够有效地去 标(x,y)点和背景图像的差值绝对值，T是前景分 除掉车辆投影阴影区域，并且保留了视频中运动车 割的最佳阈值，S为阴影的分布范围，即(E、- 辆的准确形态。在实现阴影消除时，单帧图像的阴 √Ds,Es+√Ds)。 影分布特征提取算法耗时仅为0.001878s,完全满 由此可知，当前帧图像与背景图像的差值小于 足检测系统的实时性要求。 0时，若像素点与背景图像的差值绝对值小于最佳 为了评价阴影消除的算法性能，引入2个评价验中，计算上下边界时，Ｗ ＝ ３６０，计算左右边界时， Ｗ ＝ ２８８，Ｓ ［０］表示该计算方向上像素为 ０ 的像素点 的个数总和。 根据式（４），计算图 ２ 中四边界像素点 的分布特征，获得其 ４ 个投影边界像素分布的均值， 分别为 ＥＵ ＝ ６５、 ＥＤ ＝ ７１、 ＥＬ ＝ ５６、 ＥＲ ＝ ７６，从中可以 看出，左投影边界 ＥＬ 灰度均值最小，即认为是阴影产 生的方向，则阴影分布均值 ＥＳ ＝ ＥＬ ＝ ５６。 ３） 利用上一步得出的分布均值 ＥＳ ，计算其投 影边界灰度分布的标准差 Ｄｓ ，计算如式（５）： ＤＳ ＝ ∑ ２５５ ｉ ＝ １ Ｓ［ｉ］∗ （ｉ － Ｅｓ） ２ Ｗ － Ｓ［０］ （５） 根据正态分布特性，绝大部分的阴影像素点分 布在区间（ ＥＳ － ＤＳ ， ＥＳ ＋ ＤＳ ）内。 该帧图像的 特征提取结果为： ＥＳ ＝ ５６， ＤＳ ＝ １７，则阴影像素点 分布在（３９，７３）内。 ３ 阴影去除算法 阴影特征提取算法通过分析差分图像的单边侧 灰度分布，获得视频图像中阴影区域的像素分布情 况。 为了去除阴影，对图像分割进行修改，此时可分 为 ２ 类情况：当前帧像素点灰度大于等于背景图像 的像素点时，则该像素为浅色车辆或者背景，不需要 消除阴影，只进行正常的最佳阈值分割；当前帧像素 点灰度小于背景图像的像素点时，则有可能是深色 车辆或者阴影，需要对其分别进行处理，在此引入阴 影像素分布区间的分割方法。 计算如式（６）： Ｄｅ（ｘ，ｙ） ＝ １，其他 {０，Ｄｋ（ｘ，ｙ） ≤ Ｔ ｜ ｜ Ｄｋ（ｘ，ｙ） ∈ Ｓ ｉｆ Ｐｋ（ｘ，ｙ） － Ｐｂａｃｋ（ｘ，ｙ） ＜ ０ １，Ｄｋ（ｘ，ｙ） ＞ Ｔ ０，Ｄｋ（ｘ，ｙ） ≤ Ｔ { ｉｆ Ｐｋ（ｘ，ｙ） － Ｐｂａｃｋ（ｘ，ｙ） ≥ ０ ì î í ï ï ïï ï ï ïï （６） Ｄｋ（ｘ，ｙ） ＝｜ Ｐｋ（ｘ，ｙ） － Ｐｂａｃｋ（ｘ，ｙ） ｜ 式中： Ｄｅ（ｘ，ｙ） 表示在 （ｘ，ｙ） 处的最终像素值取值 结果， Ｐｋ（ｘ，ｙ） 为第 ｋ 帧图像中坐标 （ｘ，ｙ） 的像素 值， Ｐｂａｃｋ（ｘ，ｙ） 为已提取出的背景图像中坐标 （ｘ， ｙ） 的像素值， Ｄｋ（ｘ，ｙ） 为第 ｋ 帧图像的当前帧中坐 标 （ｘ，ｙ） 点和背景图像的差值绝对值， Ｔ 是前景分 割的 最 佳 阈 值，Ｓ 为 阴 影 的 分 布 范 围， 即 （ ＥＳ － ＤＳ ， ＥＳ ＋ ＤＳ ）。 由此可知，当前帧图像与背景图像的差值小于 ０ 时，若像素点与背景图像的差值绝对值小于最佳 阈值，或者落在阴影分布区间（ ＥＳ － ＤＳ ， ＥＳ ＋ ＤＳ ）内，即为车辆阴影，将它们作为背景点处理， 就可以实现阴影的去除。 差分图像的阴影去除结果 如图 ６ 所示。 图 ６ 投射阴影的去除 Ｆｉｇ．６ Ｒｅｍｏｖｅ ｔｈｅ ｃａｓｔ ｓｈａｄｏｗ ４ 实验结果分析 本文实验采用的是西安市南二环中段所拍摄的 交通视频，总帧数为 ５ １２３，单帧图像分辨率为 ２８８× ３６０。 本文所有的算法程序均在 ＶＣ＋＋６．０ 开发平台 下实现。 实验环境为 Ｉｎｔｅｌ （Ｒ） Ｃｏｒｅ （ ＴＭ） ２ Ｑｕａｄ ＣＰＵ Ｑ８３００ ２．５ ＧＨｚ，内存 ２．５ Ｇ。 实验中，首先，获 得交通视频的帧图 ７（ａ），然后，通过区域背景差分 法，最佳阈值分割，得到图 ７（ ｂ），最后，采用本文方 法，由式（４） 求得阴影像素分布均值为 ＥＳ ＝ ＥＬ ＝ ５６，由式（５）求得阴影像素分布区间为（３９，７３），利 用该阴影分布，对图像进行阴影去除，结果如图 ７ （ｃ）所示。 图 ７ 基于单边侧阴影特征的阴影去除 Ｆｉｇ．７ Ｓｈａｄｏｗ ｒｅｍｏｖａｌ ｂａｓｅｄ ｏｎ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｕｎｉｌａｔｅｒａｌ ｓｉｄｅ ｓｈａｄｏｗ 从检测结果可以看出，本文算法能够有效地去 除掉车辆投影阴影区域，并且保留了视频中运动车 辆的准确形态。 在实现阴影消除时，单帧图像的阴 影分布特征提取算法耗时仅为 ０．００１ ８７８ ｓ，完全满 足检测系统的实时性要求。 为了评价阴影消除的算法性能，引入 ２ 个评价 ·２８４· 智 能 系 统 学 报 第 １０ 卷