基于YUV顏色空間與局部紋理的運(yùn)動(dòng)陰影去除

尚晉霞

(云南大學(xué) 旅游文化學(xué)院，云南 麗江674100)

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?；谀Ｐ偷姆椒ㄐ枰孪壤脠?chǎng)景、運(yùn)動(dòng)目標(biāo)和光照條件等建立陰影模型，根據(jù)陰影模型可以精確計(jì)算出陰影的形狀和位置，很多情況下一些先驗(yàn)知識(shí)很難獲得，只在一些特定的場(chǎng)合使用?；趯傩缘姆椒ㄖ饕藐幱暗念伾?、紋理、梯度、邊緣等變化特性去除陰影。實(shí)驗(yàn)表明像素點(diǎn)被陰影覆蓋前和被陰影覆蓋后，該點(diǎn)顏色的亮度會(huì)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(guò)轉(zhuǎn)化表示像素點(diǎn)顏色的空間，如從RGB轉(zhuǎn)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(qū)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(biāo)區(qū)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(qū)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(yōu)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(yùn)動(dòng)目標(biāo)檢測(cè)，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(duì)應(yīng)的當(dāng)前圖像、背景圖像處的R、G、B值，利用第1節(jié)以及第2節(jié)提到的方法同時(shí)計(jì)算當(dāng)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(jié)果與三通道同時(shí)應(yīng)用LCA值方法去除陰影所得結(jié)果相或。

(4)對(duì)兩種去除陰影方法相或所得前景圖像進(jìn)行形態(tài)學(xué)運(yùn)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(fù)雜。為了更好地進(jìn)行運(yùn)動(dòng)目標(biāo)視頻檢測(cè)中對(duì)陰影的處理，把顏色空間從RGB轉(zhuǎn)換到Y(jié)UV空間。YUV顏色空間便于在灰度圖像和彩色圖像之間進(jìn)行轉(zhuǎn)換，即便于對(duì)顏色的色彩信息和亮度信息進(jìn)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(chēng)色度，描述色彩飽和度的信息。YUV顏色空間的優(yōu)點(diǎn)是它的亮度信息Y和色度信息（U、V）相互獨(dú)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(zhuǎn)換到Y(jié)UV顏色空間的傳統(tǒng)方法如下：

1.2 基于YUV顏色空間的陰影去除

根據(jù)視覺(jué)經(jīng)驗(yàn)可得如下結(jié)論[2]：在一定的亮度條件下，同一物體在陰影區(qū)內(nèi)和不在陰影區(qū)內(nèi)色調(diào)近似一致。在視頻序列運(yùn)動(dòng)檢測(cè)的過(guò)程中，運(yùn)動(dòng)陰影的產(chǎn)生是前景運(yùn)動(dòng)物體擋住射向背景的光線所致，運(yùn)動(dòng)陰影與背景模型相比，只是亮度信息有所降低，色彩信息變化不大。歸一化的顏色空間(Normalized Color)對(duì)陰影造成的像素點(diǎn)色度、亮度值變化更不敏感，更具魯棒性，因此本文采用在歸一化的YUV空間進(jìn)行運(yùn)動(dòng)陰影抑制[3]。步驟如下：

(1)利用式(1)轉(zhuǎn)換像素點(diǎn)的RGB顏色值到Y(jié)UV空間，同時(shí)考慮到實(shí)際場(chǎng)景中光照以及攝像機(jī)抖動(dòng)等帶來(lái)的噪聲影響，對(duì)一個(gè)待處理點(diǎn)像素的R、G、B值，用以該像素為中心的3×3窗口內(nèi)的均值替代：

(2)利用陰影色調(diào)近似一致的原則，歸一化YUV顏色空間，定義U°=U/Y，V°=V/Y，陰影檢測(cè)算法如下：

進(jìn)行陰影檢測(cè)，首先判斷當(dāng)前像素點(diǎn)Pfront與背景像素點(diǎn)Bback的亮度值Y分量的差值，如果差值為正值，則一定不是陰影像素點(diǎn)；如果差值為一定的閾值Yc，且diffc

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(qiáng)的灰度和旋轉(zhuǎn)不變性，相對(duì)較低的計(jì)算復(fù)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(diǎn)，以半徑R為步長(zhǎng)，比較中心點(diǎn)和與其相距R的鄰域點(diǎn)的灰度值，把中心點(diǎn)作為比較的閾值，得到一組代表半徑R內(nèi)灰度變化的二進(jìn)制值作為灰度變化的描述，并計(jì)算其LBP值：

其中，gc為中心點(diǎn)(xc，yc)的灰度值，P為半徑R上選定的鄰居數(shù)，gp為鄰居點(diǎn)P的灰度值。LBP算子通常以半徑為R的圓周上對(duì)稱(chēng)的點(diǎn)集為鄰居，圓周半徑和鄰居點(diǎn)數(shù)由用戶決定，半徑越大描述的局部像素的灰度變化越準(zhǔn)確，但計(jì)算量也越大。

2.2 改進(jìn)的局部紋理描述LCA

LBP紋理算子的實(shí)質(zhì)是通過(guò)比較中心點(diǎn)像素與鄰域像素灰度值的大小關(guān)系來(lái)描述局部紋理變化，但它只體現(xiàn)了大小變化并沒(méi)有體現(xiàn)值的變化，尤其在一些灰度較平坦的地區(qū)，僅僅是大小關(guān)系的比較，根本無(wú)法體現(xiàn)細(xì)微紋理；又由于基于視頻序列的目標(biāo)檢測(cè)是在彩色視頻序列中進(jìn)行，以及灰度換算中R、G、B值的不確定性損失，同時(shí)為了突出中心像素點(diǎn)取值的重要性，用鄰域像素的均值作為比較的基準(zhǔn)，用式(4)計(jì)算中心像素點(diǎn)的R、G、B值，且通過(guò)分別比較中心像素點(diǎn)與半徑R內(nèi)像素點(diǎn)的RGB三通道值，用兩者絕對(duì)差值的均值來(lái)描述局部紋理，即LCA，用式(5)計(jì)算中心像素點(diǎn)RGB三通道各自的LCA。

其中g(shù)cR、gcG、gcB分別表示在中心像素點(diǎn)(xc，yc)處，半徑R內(nèi)各個(gè)像素點(diǎn)RGB三通道的均值；gpR、gpG、gpB分別表示半徑R內(nèi)各個(gè)像素點(diǎn)的RGB三通道值；LCAR(xc，yc)、LCAG(xc，yc)、LCAB(xc，yc)分別表示在中心像素點(diǎn)(xc，yc)處，半徑R內(nèi)RGB三通道的LCA。

2.3 LCA陰影去除

陰影區(qū)域是一個(gè)半透明區(qū)域，被陰影覆蓋前后背景區(qū)的紋理近似不變[5]。本文使用2.2節(jié)提出的RGB三通道的LCA值表示半徑R內(nèi)中心像素點(diǎn)(xc，yc)處的局部紋理。本文陰影去除中半徑R選擇為1個(gè)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(diǎn)在當(dāng)前圖像與背景圖像中的局部紋理，通過(guò)比較它們的絕對(duì)差值，閾值化判斷前景像素點(diǎn)是否屬于陰影區(qū)域。因此陰影像素點(diǎn)SDtexture(x，y)可表示為：

其中LCAbR(xc，yc)、LCAbG(xc，yc)、LCAbB(xc，yc)、LCAfR(xc，yc)、LCAfG(xc，yc)、LCAfB(xc，yc)分別表示在背景幀和當(dāng)前幀中待處理像素點(diǎn)(xc，yc)處RGB三通道的LCA值；ThreR、ThreG、ThreB為根據(jù)實(shí)驗(yàn)所取的閾值，在光照強(qiáng)烈的情況下，閾值選取過(guò)小會(huì)存在陰影的邊緣，閾值選取過(guò)大會(huì)丟失目標(biāo)信息；0、1表示待處理像素點(diǎn)在二值化前景圖像中的取值，判斷為陰影時(shí)像素點(diǎn)取值為0，否則為1。

3 歸一化的UV值與LCA方法去除陰影后或運(yùn)算

基于rg/V空間的陰影去除，由于閾值選取的關(guān)系，容易把亮度與背景接近、但高于陰影區(qū)域的前景區(qū)域作為陰影去除?；贚CA的陰影去除方法在前景這種較亮區(qū)卻有很好的保留作用，因?yàn)榇朔N亮區(qū)相比前景的其他暗區(qū)像素之間的變化更明顯，即紋理更清晰。所以這兩種方法可以結(jié)合使用，起到互補(bǔ)作用。因此或運(yùn)算的陰影像素點(diǎn)SDor(x，y)可表示為：

式(7)中，0、1的含義與式(6)相同。

4 形態(tài)學(xué)（Morphology）處理

腐蝕(Erosion)與膨脹(Dilation)是形態(tài)學(xué)的基本運(yùn)算，在圖像處理中腐蝕可用于消除圖像中不相關(guān)的細(xì)節(jié)，膨脹能夠修復(fù)圖像間斷，填補(bǔ)孔洞，而且通過(guò)組合的腐蝕與膨脹運(yùn)算還可以進(jìn)行圖像的邊界提取、區(qū)域填充、連通分量提取以及提取骨架等操作。形態(tài)學(xué)運(yùn)算多用于二值圖像，其作用與結(jié)構(gòu)算子的大小、類(lèi)型以及算子原點(diǎn)的選取有關(guān)。使用式(7)所得的前景二值圖像，在光照強(qiáng)烈的條件下，陰影的邊緣不能很好地去除，且由于光照的不均勻使得圖像存在噪聲以及細(xì)小的空洞，使用形態(tài)學(xué)運(yùn)算可以得到更好的前景圖像。本文使用組合算子的形態(tài)學(xué)方法對(duì)式(7)所得圖像進(jìn)行處理，先采用3×3的矩形算子B3×3對(duì)圖像進(jìn)行膨脹，接著用9×9的交叉算子B9×9對(duì)其進(jìn)行腐蝕，因?yàn)槿绻嬖陉幱斑吘墸瑢?duì)其進(jìn)行膨脹運(yùn)算后，其邊緣會(huì)更明顯，所以采用了不對(duì)稱(chēng)算子以更好地去除陰影邊緣。其處理如式(8)所示：

其中F表示待處理圖像，·E表示形態(tài)學(xué)運(yùn)算，⊕、⊙分別表示膨脹與腐蝕運(yùn)算。

5 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)在VC平臺(tái)上實(shí)現(xiàn)，選取了室外強(qiáng)光、室外弱光以及室內(nèi)3個(gè)典型環(huán)境進(jìn)行實(shí)驗(yàn)，其中陰影去除結(jié)果如圖1所示。為了定量評(píng)價(jià)算法性能，本文采用類(lèi)似參考文獻(xiàn)[6]中提出的陰影檢測(cè)率η和陰影的實(shí)際占有率δ進(jìn)行比較，利用它們之間的絕對(duì)差值σ作為客觀評(píng)價(jià)的依據(jù)。

其中Sfact手動(dòng)獲得，Sdetect、Tf、Sfact分別表示實(shí)驗(yàn)檢測(cè)到的陰影像素點(diǎn)數(shù)。實(shí)驗(yàn)中式(3)方法中所選的閾值Tthr在3個(gè)場(chǎng)景下分別為0.60、0.55、0.50；LCA方法在3個(gè)場(chǎng)景下ThreR、ThreG、ThreB三個(gè)值都相等，為5.5，其他實(shí)驗(yàn)方法的閾值根據(jù)實(shí)際情況都取較小值。表1～表3給出了定量的評(píng)估結(jié)果。

表1 室外強(qiáng)光下陰影的檢測(cè)率和陰影的實(shí)際占有率

從圖1的實(shí)驗(yàn)結(jié)果以及表1～表3可以看出，LCA算子優(yōu)于LBP算子的陰影去除結(jié)果，LCA算子可以保留很好的目標(biāo)輪廓與亮區(qū)信息，UV/Y（歸一化的YUV空間）空間優(yōu)于YUV空間，可以較好地保留目標(biāo)的暗區(qū)，兩者結(jié)合充分發(fā)揮了優(yōu)勢(shì)互補(bǔ)的作用，最后通過(guò)形態(tài)學(xué)運(yùn)算，可以得到較好的前景運(yùn)動(dòng)目標(biāo)。

表2 室外弱光下陰影的檢測(cè)率和陰影的實(shí)際占有率

表3 室內(nèi)環(huán)境下陰影的檢測(cè)率和陰影的實(shí)際占有率

本文提出了一種陰影去除算法，結(jié)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(biāo)，最后通過(guò)形態(tài)學(xué)運(yùn)算可以得到滿意的陰影去除結(jié)果。在實(shí)際應(yīng)用中，可以滿足視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)陰影去除的需要。

[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?！だ矢?色度學(xué)與彩色電視(第1版)[M].張永輝，譯.北京：中國(guó)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，PIETIKA¨INEN M，MAENPA¨A¨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.