摘  要： 提出一種視頻監控中運動目標的運動陰影去除算法。該方法使用混合高斯背景建模初步得到運動目標區域，在此基礎上利用陰影區域的色度、亮度信息與背景的差異，與局部二值紋理模式LBP（Local Binary Pattern）思想相或的方法來消除運動陰影，接著使用形態學的方法去除像素突變的邊緣部分。實驗結果表明，該方法可以很好地保留前景圖像。
關鍵詞： YUV顏色空間；陰影去除；局部二值模式；形態學算法

    目前已有許多陰影去除算法，主要分為基于模型的方法和基于屬性的方法。基于模型的方法需要事先利用場景、運動目標和光照條件等建立陰影模型，根據陰影模型可以精確計算出陰影的形狀和位置，很多情況下一些先驗知識很難獲得，只在一些特定的場合使用。基于屬性的方法主要利用陰影的顏色、紋理、梯度、邊緣等變化特性去除陰影。實驗表明像素點被陰影覆蓋前和被陰影覆蓋后，該點顏色的亮度會變暗、飽和度有所下降，但色度變化不大[1]，所以基于顏色變化特性的陰影去除主要是通過轉化表示像素點顏色的空間，如從RGB轉化到HSV、YUV（YCbCr）、歸一化的RGB(rgb)等空間，利用上述特性去除陰影。紋理信息的陰影去除主要基于被陰影覆蓋的背景區域與覆蓋前相比只是亮度顯著變化，而紋理基本保持不變。但是，基于顏色特性的陰影去除算法容易把亮度低于背景、色度與陰影相近的目標區域去除，所以基于LBP算子的紋理算法在紋理特征變化很小的區域往往失效，如天空、草地等相鄰像素的灰度值差異較小的情況。鑒于兩種算法的優劣，本文提出一種陰影去除算法，該算法的主要流程如下：
    (1)運動目標檢測，利用混合高斯背景建模得到背景圖像以及前景的二值圖像。
    (2)提取與二值前景圖像相對應的當前圖像、背景圖像處的R、G、B值，利用第1節以及第2節提到的方法同時計算當前圖像與背景圖像各自的Y、U、V值及LCA值并去除陰影。
    (3)圖像歸一化YUV顏色空間陰影去除結果與三通道同時應用LCA值方法去除陰影所得結果相或。
    (4)對兩種去除陰影方法相或所得前景圖像進行形態學運算得到最終去除陰影的前景圖像。
1 基于YUV顏色空間的陰影去除
1.1 YUV顏色空間
    在RGB三通道上處理圖像非常復雜。為了更好地進行運動目標視頻檢測中對陰影的處理，把顏色空間從RGB轉換到YUV空間。YUV顏色空間便于在灰度圖像和彩色圖像之間進行轉換，即便于對顏色的色彩信息和亮度信息進行分離。
    YUV顏色空間中，Y表示亮度，U、V分別是R_Y 、B_Y的分量，又稱色度，描述色彩飽和度的信息。YUV顏色空間的優點是它的亮度信息Y和色度信息（U、V）相互獨立，只需要U、V即可表示色彩信息。從視頻序列得到的圖像信息一般采用RGB顏色模型，轉換到YUV顏色空間的傳統方法如下：

2 局部紋理陰影去除算法
2.1 局部紋理描述LBP算子
    LBP算子[4]具有極強的灰度和旋轉不變性，相對較低的計算復雜度，是一種高效的局部紋理描述算子。LBP算子紋理描述原理為：選定某一像素為中心點，以半徑R為步長，比較中心點和與其相距R的鄰域點的灰度值，把中心點作為比較的閾值，得到一組代表半徑R內灰度變化的二進制值作為灰度變化的描述，并計算其LBP值：

2.3 LCA陰影去除
    陰影區域是一個半透明區域，被陰影覆蓋前后背景區的紋理近似不變[5]。本文使用2.2節提出的RGB三通道的LCA值表示半徑R內中心像素點(xc，yc)處的局部紋理。本文陰影去除中半徑R選擇為1個像素距離，即p=8，且使用式(5)提取混合高斯背景模型獲得的含有陰影的前景像素點在當前圖像與背景圖像中的局部紋理，通過比較它們的絕對差值，閾值化判斷前景像素點是否屬于陰影區域。因此陰影像素點SDtexture(x，y)可表示為：

5 實驗結果與分析
    本實驗在VC平臺上實現，選取了室外強光、室外弱光以及室內3個典型環境進行實驗，其中陰影去除結果如圖1所示。為了定量評價算法性能，本文采用類似參考文獻[6]中提出的陰影檢測率η和陰影的實際占有率δ進行比較，利用它們之間的絕對差值σ作為客觀評價的依據。

    從圖1的實驗結果以及表1～表3可以看出，LCA算子優于LBP算子的陰影去除結果，LCA算子可以保留很好的目標輪廓與亮區信息，UV/Y（歸一化的YUV空間）空間優于YUV空間，可以較好地保留目標的暗區，兩者結合充分發揮了優勢互補的作用，最后通過形態學運算，可以得到較好的前景運動目標。

    本文提出了一種陰影去除算法，結合歸一化的YUV顏色空間與基于LBP紋理思想的LCA局部紋理描述可以很好地保留前景目標，最后通過形態學運算可以得到滿意的陰影去除結果。在實際應用中，可以滿足視頻監控中運動目標陰影去除的需要。
參考文獻
[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] 海因維希·朗格.色度學與彩色電視(第1版)[M].張永輝，譯.北京：中國電影出版社，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．