0 引言

    運動偵測是視頻分析與理解的基礎研究課題，通過運動偵測可以將目標與背景分離開來，為后續目標的分析與理解奠定基礎。因此，運動偵測常作為視頻分析的預處理過程，在視頻分析時，先對視頻進行運動偵測，然后再對分離出的目標進行深一層的分析理解。運動偵測的方法很多，通常可以分為3類：幀差法、背景差法和光流法^[1]。總的來說，光流法在視頻監控領域應用很少，因為該方法的復雜度高，無法滿足視頻監控系統對時效性的要求。幀差法和背景差法在視頻監控領域都有廣泛應用。其中，幀差法的運算效率一般高于背景差法。但是，幀差法對目標的運動速度比較敏感，如果目標走走停停，那么采用幀差法存在丟失運動目標的可能。而且，幀差法對像素顏色值的變化非常敏感，在處理動態背景、光照變化和陰影問題時都存在明顯不足。背景差法通過訓練背景模型可以適應動態背景的變化以及光照的變化，提升運動目標檢測的魯棒性，應用也最廣泛。該方法的關鍵是建立合適的背景模型，常用的背景建模方法有單高斯模型、混合高斯模型、自組織背景模型、貝葉斯模型等^[2-6]。盡管通過構建背景模型可以提高背景對環境變化的適應能力，但是，在實際應用中運動目標檢測還會受到陰影干擾，因為影子是與目標相關聯的，無法通過建模來消除。對于視頻監控系統中的許多應用，陰影檢測是提高運動目標檢測精度的重要環節，是運動偵測方法的重要補充^[7-10]。目前，陰影檢測方面也涌現出了不少研究成果。如文獻[9]提出了一種多特征融合陰影檢測方法，融合了光照強度、色度和紋理3個特征來檢測陰影，使用灰度形態濾波消除陰影。文獻[10]使用離散小波變換檢測陰影，借助小波變換的多分辨率屬性，將圖像分解成4個不同的頻帶，以相對標準偏差準則計算自適應分割閾值，檢測和消除陰影。然而，現有陰影檢測方法還存在過檢測(將目標像素點檢測為陰影像素點)和欠檢測(將陰影像素點檢測為目標像素點)問題，檢測精度還有待提高。

    為了解決這一問題，本文提出了一種多特征融合及最小均方誤差優化的陰影檢測方法。該方法的主要貢獻有兩個方面：(1)在相似度度量計算部分，該方法針對R、G、B 3個顏色通道提取相鄰幀之間像素點的亮度、對比度和結構特征，融合這3類特征生成相似度度量，提高相似性度量對環境干擾的魯棒性；(2)在分割閾值求解部分，該方法引入最優化理論，依據最小均方誤差準則設計目標函數，通過最優化方法求解最佳的像素點分割閾值。

    通過這兩個方面的創新，該方法可以有效檢測并消除運動偵測目標中的陰影像素點。

1 運動偵測概述

    在視頻監控領域，考慮系統對運動偵測方法運算效率的要求，通常采用幀差法和背景差法兩類運動偵測方法進行運動目標的檢測，簡要描述如下^[11-12]。

1.1 幀差法

    幀差法也稱為時間差分法，該方法利用視頻中不同幀之間的差異來檢測運動目標。常用的是三幀差法，通過對相鄰的3幀圖像進行差分運算，檢測視頻中的運動目標。該方法主要包括3個步驟：幀間差分、二值分割和“與”運算。

    (1)幀間差分

    計算第k幀圖像與前面間隔分別為Δk和2Δk的兩幀圖像之間的差分圖像，記為：

其中，T_col為對應顏色通道上設置的分割閾值，該閾值通常為一全局量，可以自適應求解。

    (3)“與”運算

    將兩幅二值圖像進行“與”運算，可以剔除“鬼影”和噪聲干擾，得到最終的運動目標檢測結果，表示為：

其中，“&”表示“與”運算。

    幀差法的優點是計算量小，對運動很敏感。但缺點是受目標運動速度影響，而且對于環境光照變化和動態背景也過于敏感。

1.2 背景差法

2 陰影檢測

    運動偵測除了檢測運動目標之外，還會將目標的影子檢測出來。因此，需要采用陰影檢測方法檢測影子并去除。本文提出一種陰影檢測方法是對運動偵測方法的補充，也可以說是一個后處理過程。具體地，對于每一幀圖像，運動偵測后可以得到一幅目標二值掩膜圖像。其中，值為255的像素點為目標，其他像素點為背景。本文以目標像素點為研究對象，先進行連通域搜索，得到二值圖像中的目標列表。然后對每一個目標進行陰影檢測，判斷該目標是否存在陰影像素點。如果存在陰影點，則將這些像素點置為背景像素點，從而降低陰影對運動偵測的干擾。本文所述陰影檢測方法依據相鄰幀之間像素點的亮度、對比度和結構的多特征融合生成相似度度量，依據最小均方誤差準則尋找最優解，生成像素點為目標或者背景的最終判決，剔除前述運動偵測階段生成的二值掩膜中的陰影像素點，實現流程如圖1所示。

2.1 目標列表構建

    運動偵測得到一幅二值圖像，將每一幀圖像上的像素點分為兩類，即目標像素點和背景像素點。本文先對二值圖像中的目標像素點進行8鄰域連通域搜索，每一個連通域對應一個目標，這樣構建一個目標列表，該目標列表包含當前幀中每一個目標的外接矩形框和二值掩膜。

    記第i個目標的外接矩形框為：

    下面針對目標列表中的每一個目標進行陰影檢測。

2.2 多特征融合相似度度量

    前述的運動偵測主要依據像素點不同顏色通道上亮度的變化來檢測變化區域。事實上，光照等環境干擾引起的陰影現象也會導致像素點的亮度發生變化。因此，陰影像素點可能會被誤檢為目標像素點。而且，運動偵測節點亮度變化的閾值選擇通常是針對整幅圖像的，而事實上場景中不同位置的亮度一般存在較大差異，也即亮度不均勻。因此，相同的閾值可能不適合不同位置的目標的運動偵測。為了解決這一問題，本文對運動偵測得到的二值目標掩膜再進行一次判決。這里，需要對每一個目標的二值掩膜區域構建一個相似度度量，降低圖像整體亮度不均勻對分割閾值計算的影響。

    本文針對R、G、B 3個顏色通道提取相鄰幀之間像素點的亮度、對比度和結構特征，融合這3類特征生成相似度度量。對于第k幀圖像中第i個目標，其相似度度量可以表示為：

3 實驗與分析

    下面通過實驗分析來驗證本文所述的陰影檢測方法的性能。首先，本文選擇Changedetection.net中的shadow子集作為測試數據集。該數據集是運動偵測領域的公開測試數據集，目前大部分運動偵測算法都是在該數據集下進行測試和評價的，具有權威性。shadow子集共包含了6個視頻圖像序列，分別是backdoor、bungalows、busStation、copyMachine、cubicle和peopleInShade。這些圖像序列的共同特點是都存在陰影干擾。本文針對這6個視頻圖像序列進行仿真實驗，實驗平臺為Intel I5臺式計算機，內存為16 GB，操作系統為Windows 7，軟件平臺為Visual Studio 2013。運動偵測方法采用的是文獻[6]所述方法。針對運動偵測的結果，采用本文所述陰影檢測方法和文獻[9]、[10]所述陰影檢測方法進行陰影檢測，去除陰影。通過對比3種陰影檢測方法的檢測結果來評價本文方法的性能。其中，本文方法中參數設置為：t₁=t₂=t₃=1，Δk=1。

    圖2展示了3幅視頻幀圖像所對應的Groundtruth以及采用3種陰影檢測方法得到的檢測結果。可見，文獻[9]所述方法能夠消除部分陰影，但仍有明顯的陰影存在，存在欠檢測問題。文獻[10]所述方法消除陰影的同時還消除了部分目標，存在過檢測問題。而本文方法基本上能夠消除所有陰影，而且基本上沒有破壞目標，所得目標檢測結果與Groundtruth最為接近。

    為了定量評價本文陰影檢測方法的性能，本文采用檢測率和檢測耗時兩個指標進行性能評價。其中，檢測率表示為：

其中，A_S是指檢測到的陰影像素點的總數，R_S是指檢測正確的陰影像素點比例，由檢測正確的陰影像素點總數D_S與實際陰影像素點總數N_S的商來表示。D_S具體指檢測到的陰影像素點中不屬于Groundtruth中目標像素點的像素點總數。N_S具體指運動偵測得到的目標像素點中不屬于Groundtruth中目標像素點的像素點總數。

    檢測耗時僅指陰影檢測所耗費的時間，不包括運動偵測耗時。而且，檢測耗時統計的是平均耗時，也即一幀圖像進行陰影檢測所耗費的平均時間。

    圖3具體給出了3種方法對于6個視頻圖像序列的陰影檢測率指標對比結果。可見，文獻[9]和文獻[10]所述方法的陰影檢測率指標相當。這是因為盡管文獻[9]所述方法正確檢測的陰影像素點數量DS較文獻[10]所述方法偏少，但檢測到的陰影像素點總數AS也少于文獻[10]所述方法，所以最終得到的檢測率指標相當。而本文方法對每一個視頻圖像序列的陰影檢測率指標都高于其他兩種方法，這是因為本文采用最優化理論尋找最優解決方案，虛檢和漏檢的陰影像素點較少。

    表1給出了3種陰影檢測方法對6個視頻圖像序列的檢測結果。可見，本文方法的檢測正確率明顯優于其他兩種方法，高出排在第二位文獻[9]所述方法17%。另外，3種方法的檢測耗時差異不大，本文方法的檢測耗時略高于文獻[9]所述方法，但低于文獻[10]所述方法。因此，綜合評價，本文的陰影檢測方法優于所對比的其他兩種陰影檢測方法。

4 結束語

    本文提出了一種多特征融合及最小均方誤差優化的陰影檢測方法，該方法以運動偵測檢測到的目標為研究對象，設計了一種多特征融合的相似度度量，具體是針對R、G、B 3個顏色通道提取相鄰幀之間像素點的亮度、對比度和結構特征，融合這3類特征的均值、方差和協方差生成相似度度量；同時，設計了一種基于最優化理論的分割閾值自適應求解方法，依據最小均方誤差準則設計目標函數，通過最優化方法求解最佳的像素點分割閾值。該方法可以作為光流法、幀差法和背景差法等運動偵測方法的后處理步驟，能夠有效檢測并消除運動偵測目標中的陰影像素點。

參考文獻

[1] BEHNIA R，CLARK D A，CARTER A G，et al.Processing properties of on and off pathways for drosophila motion detection[J].Nature，2014，512(7515)：427-30.

[2] SHINOMIYA K，KARUPPUDURAI T，LIN T Y，et al.Candidate neural substrates for off-edge motion detection in drosophila[J].Current Biology，2014，24(10)：1062-70.

[3] OHTA N，KANATANI K，KIMURA K.Moving object detection from optical flow without empirical thresholds[J].IEICE Transactions on Information & Systems，2015，81(2)：243-245.

[4] NAKAMURA M，KANEOKE Y，WATANABE K，et al.Visual information process in Williams syndrome：intact motion detection accompanied by typical visuospatial dysfunctions[J].European Journal of Neuroscience，2015，16(9)：1810-1818.

[5] LEE J H，YANG D，KIM S，et al.Stretchable strain sensor based on metal nanoparticle thin film for human motion detection & flexible pressure sensing devices[J].Nanoscale，2014，6(20)：11932.

[6] 余燁，曹明偉，岳峰.EVibe：一種改進的Vibe運動目標檢測算法[J].儀器儀表學報，2014，35(4)：924-931.

[7] 姜建國，李婷，楊玲敏，等.c3通道高分辨率遙感圖像陰影檢測算法的改進[J].計算機輔助設計與圖形學學報，2015，27(8)：1490-1497.

[8] 段志剛，屈靚瓊，田建東，等.基于正交分解的室外光照陰影檢測[J].光學學報，2016(8)：201-209.

[9] CHEN W.Moving shadow detection based on multi-feature analysis and gray-scale morphological filtering[J].Journal of Information & Computational Science，2014，11(8)：2535-2542.

[10] KHARE M，SRIVASTAVA R K，KHARE A.Moving shadow detection and removal-a wavelet transform based approach[J].Computer Vision IET，2014，8(6)：701-717.

[11] 蔡念，周楊，劉根，等.魯棒主成分分析的運動目標檢測綜述[J].中國圖象圖形學報，2016，21(10)：1265-1275.

[12] 田合雷，丁勝，于長偉，等.監控視頻中的移動目標偵測算法研究[J].合肥工業大學學報（自然科學版），2015(12)：1639-1642.

作者信息:

張  涵1，閆懷平1，張  展2

(1.安陽工學院 計算機科學與信息工程，河南 安陽455000；2.河南理工大學 電氣學院，河南 焦作454000)