一种去除运动目标阴影的新方法
帧间差分法运动目标检测过程及原理
帧间差分法运动目标检测过程及原理帧间差分法是一种常用的视频运动目标检测技术，它通过比较视频序列中相邻帧之间的差异来检测目标的运动。
该方法常用于视频监控、智能交通系统、视频分析等领域。
本文将介绍帧间差分法的运动目标检测过程及原理，以及其在实际应用中的优势和局限性。
一、帧间差分法的原理帧间差分法的原理基于一个简单的假设：如果某个像素点在相邻两帧之间的亮度发生了变化，那么这个像素点所对应的物体就有可能发生了运动。
根据这个假设，可以通过计算相邻两帧之间的像素点亮度差异来确定目标的运动。
在实际应用中，帧间差分法通常使用以下公式来计算相邻两帧的像素点差异：D(x,y,t) = |I(x,y,t) - I(x,y,t-1)|D(x,y,t)表示在时间t时刻的像素点(x,y)的差分值，I(x,y,t)表示在时间t时刻的像素点(x,y)的亮度值，t-1表示时间t之前的时刻。
通过计算相邻两帧之间的像素点差异，可以得到一副差分图像，该图像中像素点的数值表示了该点在帧间差分中的差异程度。
接着，可以对差分图像进行阈值处理，将高于阈值的像素点标记为目标像素点，从而实现目标的运动检测。
帧间差分法的运动目标检测过程包括以下几个步骤：1. 视频帧获取和预处理首先需要从视频流中获取连续的视频帧，并对每一帧进行预处理，包括灰度化、降噪、边缘检测等操作，以便后续运动目标检测的准确性和鲁棒性。
2. 帧间差分计算对相邻两帧的视频进行帧间差分计算，得到差分图像。
可以使用绝对差值、差分平均值等方式来计算差分图像。
3. 阈值处理对差分图像进行阈值处理，将高于阈值的像素点标记为目标像素点。
阈值的选择是帧间差分法中需要仔细考虑的一个关键问题，合适的阈值能够更好地区分目标和背景，提高检测准确度。
4. 目标区域提取通过连通域分析、形态学处理等方法，将标记为目标像素点的区域进行进一步的提取和分割，得到目标的位置信息。
5. 目标跟踪和输出对提取得到的目标区域进行目标跟踪和输出，可以采用卡尔曼滤波、光流算法等方法来对目标进行跟踪，最终实现目标的运动检测和输出。
视频检测和运动目标跟踪方法总结
视频检测和运动目标跟踪方法总结目前常用的视频检测方法可分为如下几类：光流法，时域差分法，背景消减法，边缘检测法，运动矢量检测法[2]。
一、光流法光流法[1]是一种以灰度梯度基本不变或亮度恒定的约束假设为基础对运动目标进行检测的有效方法。
光流是指图像中灰度模式运动的速度，它是景物中可见的三维速度矢量在成像平面上的投影，表示了景物表面点在图像中位置的瞬时变化，一般情况下，可以认为光流和运动场没有太大区别，因此就可以根据图像运动来估计相对运动。
优点：光流不仅携带了运动目标的运动信息，而且还携带了有关景物三维结构的丰富信息，它能够检测独立运动的对象，不需要预先知道场景的任何信息，并且能够适用于静止背景和运动背景两种环境。
缺点：当目标与背景图像的对比度太小，或图像存在噪音时，单纯地从图像灰度强度出发来探测目标的光流场方法将会导致很高的虚警率。
且计算复杂耗时，需要特殊的硬件支持。
二、时域差分法时域差分法分为帧差法和改进的三帧双差分法。
1.帧差法帧差法[8]是在图像序列中的相邻帧采用基于像素点的时间差分, 然后阈值化来提取出运动区域。
视频流的场景具有连续性，在环境亮度变化不大的情况下，图像中若没有物体运动，帧差值会很小；反之若有物体运动则会引起显著的差值。
优点：时域相邻帧差法算法简单，易于实现，对背景或者光线的缓慢变化不太敏感，具有较强的适应性，能够快速有效地从背景中检测出运动目标。
缺点：它不能完全提取运动目标所有相关像素点，在运动实体内部不容易产生空洞现象。
而且在运动方向上被拉伸，包含了当前帧中由于运动引起的背景显露部分，这样提取的目标信息并不准确。
2.三帧双差分法三帧双差分法与相邻帧差法基本思想类似，但检测运动目标的判决条件上有所不同。
三帧双差分较两帧差分提取的运动目标位置更为准确。
三、背景消减法背景消减法[4]是将当前帧与背景帧相减，用阈值T判断得到当前时刻图像中偏离背景模型值较大的点，若差值大于T则认为是前景点（目标）；反之，认为是背景点，从而完整的分割出目标物体。
《2024年基于光流法的运动目标检测与跟踪技术》范文
《基于光流法的运动目标检测与跟踪技术》篇一一、引言随着计算机视觉技术的不断发展，运动目标检测与跟踪技术在智能监控、自动驾驶、人机交互等领域得到了广泛应用。
其中，光流法作为一种重要的运动目标检测与跟踪技术，因其能够实时准确地估计运动目标的运动状态而备受关注。
本文将详细介绍基于光流法的运动目标检测与跟踪技术，包括其基本原理、实现方法、应用场景及优势等。
二、光流法基本原理光流是指图像中亮度模式在时间上的变化，反映了物体在三维空间中的运动信息。
光流法通过分析图像序列中像素点的运动信息，实现对运动目标的检测与跟踪。
其基本原理是假设在相邻的两帧图像中，同一空间位置的像素点具有相似的运动特性。
通过计算相邻两帧图像的光流场，可以估计出运动目标的运动状态。
三、光流法的实现方法1. 稀疏光流法：稀疏光流法只关注图像中的部分特征点，如角点、边缘等，通过计算这些特征点的光流来估计运动目标的运动状态。
该方法计算量较小，适用于实时性要求较高的场景。
2. 密集光流法：密集光流法计算图像中所有像素点的光流，能够更准确地估计出运动目标的运动状态。
但该方法计算量较大，对硬件性能要求较高。
3. 基于特征的光流法：该方法结合了稀疏光流法和密集光流法的优点，通过提取图像中的特征点并计算其光流，实现对运动目标的检测与跟踪。
该方法在保证准确性的同时，降低了计算复杂度。
四、应用场景基于光流法的运动目标检测与跟踪技术广泛应用于智能监控、自动驾驶、人机交互等领域。
在智能监控领域，该技术可以实现对异常行为的检测、人脸识别等功能；在自动驾驶领域，该技术可以实现对车辆和行人的检测与跟踪，提高行车安全性；在人机交互领域，该技术可以实现自然的人机交互方式，提高用户体验。
五、优势与挑战优势：基于光流法的运动目标检测与跟踪技术具有实时性好、准确性高等优点。
该方法能够准确估计出运动目标的运动状态，为后续的目标识别、行为分析等提供了有力支持。
此外，该方法对光照变化、遮挡等干扰因素具有较强的鲁棒性。
基于运动点积累的视频运动目标提取
，
ｓ ｄ Ｗ ｔｃｉｎ ｈａ Ｏ ｄｅｅ ｔｏ
一
０ 引 言
当前运 动 目标 检 测 常 用方 法 有 ： 流 法… 、 间差 分 光 帧 法 、 背景差法 Ｊ 。光 流法 的优 点是 能 检测 独立 运动对 象 ， 不需要预先知道场景 的任何信 息 ， 且可用 于摄像 机运动 的 并 情况 ， 但该算法 计算 复 杂 、 耗时 ， 以实 现实 时 处理 的要 求 。 难 帧间差分 法对 动态环境适应 能力强 ， 受背景 图像 的限制 和 不 影响， 但算法只能对运动变化 显著 区域 进行 目标 检测 ， 不能 完 整地 分割运动对象 。当场 景 中运 动 目标 没有显 著运动 时 ， 往 往会 在 目标检测时 留下大面积本应属 于 目标 而却未 被检测到 的区域 。背景 差法 是一种有 效 的 目标检测 算法 ， 其计算 速度
Ｍ ＥＮＧ ａ ， Ｗ ＡＮＧ ｅ Ｙｕ ｎ Ｗ ｉ
ｆ ｏｅｅｏ ｅ ｃｍ ｎ ａｉ ｓ ｎ ｉｅｒ ｇ ｉｉｎＵ ｉｒｉ，Ｘ ＇ ｈ ａｘ １０ １ Ｃ ｉａ ｌｇ Ｔｌ ｏ ｍｕ ｉ ｔ ｎ ｇｎｅ ｎ，Ｘｄａ ｎ ｅ ｔ ｉ ｎＳ ａ ｎｉ ０ ７ ， ｈｎ１ Ｃ ｌ ｆ ｅ ｃ ｏ Ｅ ｉ ｖ ｓｙ ａ ７ ）
ａ ａ ｔ ｅ ｎ ｓ ｂ ｉｈ ｓ ａ ｆｕ ｄ ｔ ｎ ｆ ｒａ ｖ ｎ ｅ ｍａ ｅ ｐ ｏ ｅ ｓｎ ． ｄ ｐ ｉ ，ａ ｄ ｅ ｔ ｌ ｅ ｏ ｎ ａｉ ｏ ｄ ａ ｃ ｄ ｉ ｇ ｒ ｃ ｓｉ ｇ ｖ ａ ｓ ｏ Ｋｅ ｒ ｓ ｂ ｃ ｇ ｏ ｎ ｘｒ ｃｉ ｎ ｍｏ ｉ ｇ ｐ ｉ ｔ ａ ｃ ｍｕ ａｉ ｎ ｂ ｃ ｇｏ ｎ ｓ ｂｒ ｃ ｉｎ ｍｏｉ ｂｅｔ ｄｔｃｏ ： ｙ ｗｏ ｄ ： ａ ｋ ｒ ｕ ｄ ｅ ｔ ｔ ； ａ ｏ ｖ ｎ ｏｎ ｃ ｕ ｌ ｔ ： ａ ｋ ｒ ｕ ｄ ｕ ｔ ｔ ： ｏ ａ ｏ ｖ ｇ ｏｊｃ ｅ ｔ ｎ ｎ ｓ ｅｉ
基于光照不变性模型的运动目标检测新算法
【 关键词】光照不变性； 运动目标检测； 背景模型； 最小熵； 投影角度 【 中图分类号】Ｔ Ｎ ９ １ ９ ． ８ ； Ｔ Ｐ ３ ９ １ ． ４ ｌ 【 文献标志码】Ａ
Ｎｅ ｗ Ａｌ ｇｏ ｒ ｉ ｔ ｈ ｍ ｆ ｏ ｒ Ｍｏ ｖ ｉ ｎｇ Ｔａ ｒ ｇ ｅ ｔ Ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ Ｂａ ｓ ｅ ｄ Ｏ ｉ ｌ Ｉ ｌ ｌ ｕ ｍｉ ｎａ ｔ ｉ ｏ ｎ Ｉ ｎｖ ａ ｒ ｉ ａ ｎ ｔ
【 摘 要】运动目标检测有两大难点， 即光照变化的影响以及 阴影对运动 目 标准确提取 的影响。为了克服光照及 阴影的影响， 提 出了基于 一维不变性 图像 的背景模 型 ， 更 新 了最 小熵 投 影角度 ， 设计 了运 动 目 标 检 测 的新算 法。 以交通运 输领 域 为例 ， 将该 算法和多层前景算法、 边缘检测算法进行对比， 通过实验验证 了该方法在检测运动目标时能够克服光照变化影响， 并有效抑制
Ｓ ＨＩ Ｇｕ ｉ ｍｉ ｎ
（ Ｄ ｅ ｐ ａ ｒ ｔ ｍ ｅ ｎ ｔ ｏ ｆ Ｍ ａ ｔ ｈ ｅ ｍ ａ ｔ ｉ ｃ ｓ ａ ｎ ｄ Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ ， Ｗ ｕ ｙ ｉ Ｕ ｎ ｗ ｅ ￣ ｉ ｔ ｙ ， Ｆ ｕ ｊ ｉ ａ ｎ Ｗ ｕ ｙ ｉ ｓ ｈ ａ ｎ ３ ５ ４ ３ ０ ０ ， Ｃ ｈ ｉ ｎ ａ Ｊ
ｓ ｈ ａ ｄ ｏ ｗｓ ， ｔ ｈ ｅ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｉ ｌ ｌ ｕ ｍｉ ｎ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ， ｈｅ ｔ ｍｉ ｎ ｉ ｍｕ ｍ ｅ ｎ ｔ ｒ ｏ ｐ ｙ ｐ ｒ ｏ ｊ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｇ ｌ ｅ ｉ ｓ ｕ ｐ ｄ ａ ｔ ｅ ｄ ， ａ ｎ ｄ ａ ｎ ｅ ｗ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ —
一种改进的基于背景差分的运动目标检测方法
ｄｆｅ ｅ ｃ ｔ ｏ ｏ ｂｅ ｔｄ ｔｃｉｎ ｉ ｒｎ ｅｍｅｈ ｄ ｆｒｏ ｊｃ ｅｅ ｔｏ ．Ａｔｔ ｅｓ ｍｅｔｍｅｔ ｅｂ ｃ ｇ ｏ ｎ ｐ ａｉｇ ａｇ ｒｔ ｍ ｓｎ ｉｒ ｒｈｃ ｌｂ ｔｅ ｏｕ ｉｎｔ ｅ ｆ ｈ ａ ｉ ｈ ａ ｋ ｒ ｕ ｄ ｕ ｄ ｔ ｌｏ ｉ ｎ ｈ ｕ ｉｇ ｈｅ ａｃ ｉａ ｅｔ ｒｓ ｌ ｔ ｈ ｏ
“
ｓ ａ ” ｎ ｈ ａ ｇ — ｃ ｌ ｈ ｎ ｅ ｎ ｉ ｕ ｎ ｔｏ ｏ ｄ ｔ ｎ ， ｎ ｌ ｍｅ ｒ ａ ｄ ｔ ｅｌ ｒ ｅ ｓ ａｅｃ ａ ｇ ｓ ｉ ｌ ｍｉ ａ ｉｎ ｃ ｎ ｉ ｏ ｓ Ｆｉ ａ ｌ ｌ ｉ ｙ，ｔ ｅｐ ｐ ｒｐ ｏ ｏ ｅ ｉ ｌ ｌ ｏ ｉｈ ｔ ｏ ｖ ｈ ｒ ｂ ｅ ｈ ａ ｅ ｒ ｐ ｓ ｄ ａｓｍｐ ｅａ ｇ ｒｔ ｍ Ｏ ｓ ｌ ｅｔ ｅ ｐ ｏ ｌｍ
运 动 目标 检测就 是从整 幅场景 图像 中把感 兴趣 的 运 动 目标 检测 出来 。 是后续 的各种 高级 处理 ， 目标 它 如 跟踪、 目标分类 及行为 分析 的基石 ， 也是 视频监 控系统
动 等影 响较大并 且不能 很好地 解决 “ 拖影 ” 和背 景 区域
大 面积 变化等 问题 。 对 以上 问题 ， 针 本文 在对 图像 前期 和后 期 进行 处理 的基础 上对 背 景差 分 法 的关 键部 分 ：
ｐ ｘ ｌ ｎ ｅ ｓｔ ｌ ｓ ｉ ｃ ｔ ｎ ａ ｄ ｔ ｅ ｓｎ ｌ ｕ ｓａ ｄ ｌ ａ ｅ ａ ｋ ｒ ｕ ｄ ｒ ｃ ｎ ｔ ｕ ｔ ｎ ａ ｇ ｒｔ ｍ ，Ｔｈ ｎ ｕ ｅ ｈ ａ ｋ ｒ ｕ ｄ ｉ ｅ ｔ ｎ ｉ ｃａ ｓｆ ａ ｉ ｎ ｈ ｉ ｇ ｅ Ｇａ ｓ ｉｎ ｍｏ ｅ ｓ ｄ ｂ ｃ ｇ ｏ ｎ ｅ ｏ ｓ ｒ ｃ ｉ ｌｏ ｉｈ ｉ ｙ ｉ ｏ ｂ ｏ ｅ ｓｄ ｔ ｅｂ ｃ ｇ ｏ ｎ
运动目标检测和跟踪的研究及应用
在人所感知到的环境信息中,视觉信息占了非常大的比重,其中动态视觉信息更是其主要组成部分.感知环境中的这些动态视觉信息已成为计算机视觉的一个重要的研究方向.运动目标检测与跟踪是应用视觉和运动图像编码研究领域的一个重要课题,在许多领域有着广泛的应用. 本文主要研究了基于DSP的运动目标检测与跟踪问题,包括硬件平台的构建和运动检测跟踪算法软件设计与实现. 在运动目标检测部分,介绍了现有的几种常用的检测算法,针对传统帧差算法,检测出的运动目标不够完整的缺点,进行了改进;针对传统的背景重建算法运算量大,耗时的缺点,提出基于块的背景重建,均通过实验验证了方法的有效性. 在运动目标跟踪部分,首先介绍了Kalman滤波的基本原理,在此基础上提出了基于Kalman滤波的跟踪算法;然后详细分析了本文目标跟踪系统所采用的波门算法,为后面系统的实现打下了理论基础. 详细介绍了基于DAM6416P图像处理平台的跟踪系统的实现, 整个系统工作过程为DSP先对采集到的图像进行预处理,然后采用帧差法检测运动目标,接着采用基于双波门算法根据目标的质心位置来判断是否移动云台以及云台移动方向,从而实现对运动目标的实时跟踪. 从实验数据与结果看,本文研究的跟踪系统在一定条件下能够准确、及时地检测跟踪目标,达到了预期效果.
2.学位论文何西华视频运动目标检测与跟踪算法研究2008
视频环境的运动目标检测与跟踪是当前计算机视觉研究中一个非常活跃的领域。计算机视觉研究的目标是使计算机具有通过一幅或多幅图像认知周围环境信息的能力。运动图像序列中包含了比静态图像更多的有用信息。运动对象的检测与提取,是将视频图像序列划分成若干的运动对象,并在时间轴上对这些运动对象进行跟踪,为以后的研究工作奠定基础,如基于对象的编码技术以及基于内容的视频检索等。目标跟踪则是随着数字视频技术的发展及应用而产生的一个新的研究课题,其在军事以及民用等诸多领域中有着广泛的应用。 本文主要研究了基于视频序列运动目标检测与跟踪的基本理论和关键技术。重点研究背景模型下运动目标的检测和提取,运动目标阴影的处理,以及运动目标跟踪等方面的内容。 论文首先对的相关背景知识作了介绍。其中包括目标检测与跟踪系统中采用的运动约束假设和外部环境约束假设;目标检测技术采用的主要算法,包括静态图像中的目标检测和运动目标检测;目标跟踪基础知识,包括跟踪的基本概念,目标的常用的四种表示方法等。 在运动目标检测研究方面,首先介绍了当前主要目标检测和提取算法的原理,通过试验对帧间差分法和自适应背景相减法进行分析。在此基础上提出将背景减除与帧间差分方法结合的目标检测算法。实验表明,该方法能够在较大程度上满足系统的要求,提高检测结果精度。针对阴影对目标检测造成的不利影响,最后本论文还总结了目标抑制阴影的几种算法。 在运动目标跟踪研究方面,首先归纳了在目标跟踪中常被采用的视觉特征、统计特征、变换系数特征和代数特征;分析了目标的三种线性运动模型;阐述了目标特征搜索匹配的主要算法,并重点研究了基于目标颜色直方图特征的均值偏移目标跟踪算法(Mean-ShiftAlgorithm),在此基础上提出了一种联合目标位置预测的改进的跟踪算法,通过对均值偏移算法和改进的跟踪算法通过的分析和实验比较,表明本论文的改进跟踪算法较均值偏移跟踪算法由于利用了目标的空间位置信息,提高了目标跟踪的可靠性和有效性。
图像的阴影检测与去除算法分析
图像的阴影检测与去除算法分析摘要：针对图像阴影的问题，文章讨论了现有的几项检测技术，即“光照无关”“连续阈值图”与“区域生长”技术。
进一步分析了阴影去除算法，包括泊松方程、梯度域以及成对区域三种算法。
关键词：图像阴影；检测技术；去除算法引言：采集图像中，往往会受到各种各样因素的影响，导致图像质量下降。
而阴影就是一种常见的降质表现，主要是由成像条件造成的。
阴影会令图像承载的信息量不完整，或是被干扰，影响目标解译的精度。
而阴影既会限制视觉判断，又不利于图像分析和后期处理，所以检测与去除阴影是有必要的。
一、图像的阴影检测技术（一）光照无关阴影检测技术光照无关技术运行机理在于，从RGB颜色空间，转换成仅和图像采集设备感光函数与拍摄目标表面反射特征相关，但和物体接受的光线方向、色彩及亮度都没有联系的一种灰度图像。
借助灰度图像本身的光照无关的特性，检测目标物体的轮廓位置，最终结合从原图中获取的目标物及阴影边缘，以此测出阴影边缘。
此种阴影检测技术，即便拥有面对较为杂乱纹理信息的图像，也能保持较佳的鲁棒性[1]。
但对于比较复杂的阴影区域，精准测出阴影边界的难度较大，这主要和图像采集设备摄影函数及表面反射率有关。
由此可推断出，该项检测技术的适用范围有：普朗克成像光源；朗伯成像表面；采集设备光谱响应函数是窄带函数。
但现在现实中，很少会有图像可以同时符合以上三项条件，因此该方法存在较大的使用限制。
（二）连续阈值图阴影检测技术从肉眼观察层面来讲，HSI颜色模型属于相对接近的色彩描述，包含角度与饱和度、强度等。
如果根据角度与强度比值，绘制比率图，用于测出彩色遥感图像上的阴影区域，基本操作流程是：通过比率图，完成HSI建模。
根据此模型的色彩表现，阴影部分和非阴影处相较，强度偏低、角度较高。
倘若在该种方法的基础上，借助双边滤波器，对目标图像实施滤波处理，这样起到去噪的作用。
而后利用全局阈值，将像素划分成非阴影与候选阴影两个类型，初步生成阴影图。
基于视频车辆目标检测的阴影去除的研究
其 中， 表示在 ｋ Ｓ 时刻坐标位 于（，） ｘＹ处的亮度 ， （，） ｒ ｘｙ表
示该点 的反射系数 ， ｘ Ｙ是辐 射度 ， Ｅ（ ，） 即单位表 面接受 的光的 能量。假设光源是 远场 点源 ， 再假 定光源与表面 的距离是恒定 的 ， 源辐射光线是 平行的 ， 光 观测点 固定 ， 根据 Ｐ ｏ ｇ ｈ ｎ 模型 ， 可 计算 辐射度 。在上 面情况下 ， ｘ ｙ辐射度可近似为 ： Ｅ（ ，）
黄 建 清 ， 中益 ， 李 张利珍
（． １国防科技大学信息系统与管理学院， 湖南 长沙 ４ ７ ； ｌ０３ ０ ２ ． 华南理工大学计算机科学与工程学院 ， 东 广州 ５ ０ ４ ） 广 １６０
【 摘 要】本文基于对视频车辆检测系 统的研究和分析， 针对视频检测的关 键步骤——阴影去除展开深入讨论， 分析
的车辆 目标信 息 ， 为准确提 取 车辆 目标奠 定 了基础 。
【 关键词 】视频车辆检测； 影去除； Ｓ ； 阴 Ｈ Ｖ 边缘检测； 连通区域统计分析； 双层比 较法 【 中图分类号 】Ｔ ３１ １ 【 Ｐ ９、 ４ 文献标 识码 】 Ａ 【 文章编 号 】１０—６３ ０７ ５ ０７ —０ ０３２７（ ０） － ０７ ３ ２ ０
影 的存在会使得运动物体面积 比实 际的大 ， 导致 目标的形状 变
大， 造成两个或者多个 目标粘 连在一起 ， 目标的跟踪 、 给 速度 的 计算和
题， 就必须 准确 掌握交通 的信 息 ， 中准确地掌 握交 通流 的信 其
息尤为重要 。 目前 ， 国内常见 的交通流检测方法有超声波检测 、 红外检测 、 环形地埋式线 圈检测 、 视频检测 ， 中视频检测 因其 其
１ 引 言
随着城市人 口的增多和机动车辆 的急剧增 长 ， 通流量 日 交
一种基于背景差分的运动目标检测新方法
点 ，Ｎ Ｔ 是一个动态的最佳 阈值 ．
作者简介 ：陈
溪（９２一 ） 男 ， 士研 究生 ， 事计 算机图像处理研究 ． １８ ， 硕 从
维普资讯
・
１８ ・ ３
成都大学学报（ 自然科学版）
相邻两帧图像做 帧间差分 ， 直至获得差分 图像序 列 ， 差分次数为 Ｍ， 设 则差分 序列共有 Ｍ 帧 图像 ｛ （ ，） 。 ． ｝ ． 『 （） ４ 利用 Ｍ帧差分图像建立背景 ， 本方法假设 被运 动 目标 遮 挡 的背 景 至 少 会 露 出 １ ， 样 就 次 这
可 以用 公式 （） 取 出 背 景 ， 中 ， ２提 其 Ｒ为 不 为 ０ 的次 数 ．
个点 的背景检 测模型 ． 具体处 理过程如 下 ：
（） １捕获某一时问段 的视 频序列 图像 ｛ （ ， ． ） ｝ ， 其中 ｋ 为帧序 ， Ｎ为视频序列的总帧数 ．
（） ２设 （，） ｉ＿ 和 ＋（，） 视频序 列 中捕 获 『 。ｉ 为 的相邻 两 帧 图像 （ ｋ ）通 过 相 邻 两 帧 图像 进 １ ｓｔ． 行差 分处 理 ， 检测 出属 于 背 景 的像 素 点 ， 文 采 用 本
维普资讯
第２ 卷 第２ ２ ０ 年 ６ 期 ０７ ８ 月
成 都 大 学 学 报（ 自然 科 学 版）
Ｊｕ ｎ ｌｏ ｈ ｎ ｄ ｎ ｖ ｒ ｉｙ Ｎ ｔ ｒ ｌＳ ｉｎ ｅＥ ｉ ｉ ｎ ｏ ｒ ａ ｆＣ ｅ ｇｕＵ ｉ ｅ ｓ ｔ （ａ ｕ ａ ｃ ｅ ｃ ｄ ｔｏ ）
（） ３
第 ２ 卷 ７
Ｉ ｉ （，）Ｉ （，） ，）一 ｉＪ ＜ ｉ
１２ 实验 结 果及 结论 ．
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种去除运动目标阴影的新方法
摘要 运动目标检测和追踪是视频监控和交通分析系统的关键问题。然而由
于运动目标产生的阴影也会被误检测为阴影。本文的目的是提出一种检测和去除
运动阴影的新方法，本文提出利用HSV颜色空间来提高阴影检测的精确度。
关键词 阴影检测；HSV；背景提取
0 引言
视频监控系统和交通控制系统的基础任务是检测重要的目标（行人，车辆
等），根据运动目标可以计算交通状况和行人轨迹等。由于运动目标检测对于后
续工作非常重要，这要求运动目标检测务必具有鲁棒性和精确性。
在目前运动目标检测的方法中，普遍存在检测不准确的问题，这严重影响了
后续工作。其中最为严重的问题是将阴影误认为运动目标。
视频中阴影像素随运动目标一起运动。因此视频中所有运动的点与伴随物体
运动的阴影极有可能都被视作运动物体。而且，阴影与物体相互连接，会造成运
动物体的形状严重失真，这对于依靠几何性质对物体分类以及判断运动物体的位
置都产生了干扰。另外，如果阴影将两个不同的物体相连，将会导致将不同物体
划归同一物体。
有很多算法也用于检测运动阴影，但是这些算法的精确度不够[1，2]。
为了防止由于阴影所产生的监控问题，我们提出了一种阴影检测和去除的方
法。这种方法基于HSV颜色空间。实验证明在HSV空间检测阴影非常有效，比
之前的大部分算法都有很大的提高。
1基于HSV的阴影检测
为了解决阴影问题我们利用HSV空间来检测阴影而不是利用RGB[1]空间。
在本文中，我们先对前景背景分离，找到包含阴影的运动目标信息，再利用HSV
模型辨别真正的运动前景和运动目标所产生的阴影。我们尝试了多种背景建模方
法，其中混合高斯模型是最具有鲁棒性，并且被应用最多。第二步就是本文重点
提出的HSV模型下的阴影检测方法。
1）混合高斯模型(GMM)前景背景分离
为了检测运动目标，首先需要提取背景，利用当前帧和背景的区别进行帧差，
得到运动目标和其所产生的阴影。我们利用著名的混合高斯模型（GMM）提取
背景算法[3]。混合高斯模型把监控视频中的每个像素点都进行建模，假设每个
像素点的背景颜色信息都按照3个~5个高斯模型分布。在监控当前帧中，不在
这些分布中的像素则划归前景，在这些高斯分布中的像素划为背景，并利用新一
帧中的像素对混合高斯模型进行更新。混合高斯模型是一种鲁棒性，快速的背景
提取算法，可以有效的对噪音和背景中的不稳定因素，例如水波，摇动的树枝等
有效地划归背景。
2）阴影检测
当前景物体利用GMM算法检测出以后，它们通常都会包含运动目标和阴影
以及一部分噪音。在这一步我们利用HSV空间检测并移除第一步得到的前景中
的阴影部分。
（1）RGB空间转化到HSV空间
根据文献[3] Colour Space Conversions,我们可以把RGB空间颜色转化到
HSV上。计算公式为：
①max=max(R,G,B)2:min=min(R,G,B)；
②ifR=max,H=(G-B)/(max-min)ifG=max,H=2+(B-R)/(max-min)
ifB=max,H=4+(R-G)/(max-min)H=H*608:ifH<0,H=H+360；
③V=max(R,G,B)；
④S=(max-min)/max。
（2）阴影判定条件
我们定义了每个像素点K(x,y)阴影检测条件，符合条件的将被视作的阴影
（SPk=1），否则将为运动目标。
SPk=
第一项条件中，Ik 代表了第K个前景像素的颜色信息，代表像素K的V分
量，代表第K个背景像素的V分量。其中。α和，都为经验值。需要对不同的
视频监控系统进行调节，以达到最优效果。
在对阴影进行剔除以后，我们利用开关闭合等基本的图像操作方法，对前景
进行优化，使前景成块。这有利于其他的应用。
实验结果：我们测试了户外的一些实验视频。这些视频320×240大小，25
帧/秒。下图展示了HSV算法的效果图。
a.原始图片 b. GMM 前景检测 c. HSV阴影去除 d. 开关闭合
参考文献
[1]KAEWTRAKULPONG, P., AND BOWDEN, R. 2001. An improved adaptive
background mixture model for real time tracking with shadow dectection. In Proc.
2nd European Workshop on Advanced Video-Based Surveillance Systems.
[2]T.Horprasert, D. Harwood, L.S. Davis, A statistical approach for real-time
robust background subtraction and shadow detection, In IEEE ICCV’99 Frame-Rate
Workshop, Corfu, Greece, Sep 1999.