[发明专利]一种基于多特征融合的精确运动阴影检测方法

摘要

一种基于多特征融合的精确运动阴影检测方法，属于视频图像处理领域。首先，提取视频中的前景图像，对其提取亮度、颜色和纹理三种类型的六个特征。为了尽可能全面地描述这些特征，在亮度约束下，我们提取了多个颜色空间和多尺度图像的颜色信息。同时，纹理信息分别用熵和局部二值模式描述。其次，通过融合这些特征产生一幅特征图。随后，运动阴影可以从特征图上大致确定。最后，为了获得准确的阴影检测结果，通过空间调整来矫正错误分类的像素。大量的实验和比较的结果表明，本发明具有良好的性能并且优于现有的阴影检测方法。

主权项

一种基于多特征融合的精确运动阴影检测方法，其特征在于包括以下步骤：（1）、从原始视频中读取t时刻的单帧图像It；（2）、采用混合高斯模型提取前景Ft与背景Bt；混合高斯模型使用K个高斯函数对背景图像中的每个像素进行建模，因此，在第t帧中(x, y)处观测到的像素Bt(x,y)=(It(x,y)r,It(x,y)g,It(x,y)b)的概率为： p ( I t ( x , y ) ) = Σ i = 1 K ω t ( x , y ) i × η ( I t ( x , y ) , μ t ( x , y ) i , Σ t ( x , y ) t ) , - - - ( 1 ) η ( I t + 1 ( x , y ) , μ t ( x , y ) i , Σ t ( x , y ) i ) = 1 | 2 π · Σ t ( x , y ) i | 1 / 2 × e - 1 2 ( I t ( x , y ) - μ t ( x , y ) i ) T Σ t - 1 ( x , y ) i ( I t ( x , y ) - μ t ( x , y ) i ) 其中，ωt(x,y)i，μt(x,y)i和Σt(x,y)i分别是第t帧的第i个高斯函数的权重，均值和协方差矩阵， Σ t ( x , y ) i = σ t 2 ( x , y ) i I ；混合高斯模型训练完成之后，将具有最大权重的高斯函数的均值作为背景图像的像素值，背景图像记为Bt，同时以得到It中的前景图像Ft；（3）、对提取的前景和背景进行特征提取；以亮度约束为前提，提取亮度相似性特征(NCCt)，色度差异特征(Cht)，光度颜色不变量特征(CCCt)，颜色显著性特征(Salt)，熵特征(ΔEt)和局部二值模式(LBPt)六个特征，这六个特征涵盖了亮度、颜色和纹理特征。而且，对于每个特征得到一个特征映射；（4）、构建特征融合图Mapt我们通过对多个特征映射的线性组合来确定像素的类别，为了得到一致的混合特征映射，每个特征映射都被归一化，融合映射Mapt通过下式建立： Map t = 1 6 ( N ( 1 - NCC t ) + N ( Ch t ) + N ( CCC t ) + N ( ΔE t ) + N ( Sal t ) + N ( 1 - LBP t ) ) , - - - ( 20 ) 其中N(.) 是归一化操作；一般来说，一个前景图像可能包含运动对象和它们的阴影，因此分类标准遵循如下原则： Ob t ( x , y ) = 1 , if Map t ( x , y ) > T or M t ob ( x , y ) = 1 0 , otherwise , Sh t ( x , y ) = M t ( x , y ) and ⫬ Ob t ( x , y ) , - - - ( 21 ) 其中，T为阈值，Obt(x,y)和Sht(x,y)是运动物体的图像和运动阴影图像的二进制掩膜； Obt(x,y)=1表示像素被标记为移动目标，Sht(x,y)=1像素被标记为阴影；（5）、进行空间调整去掉一些错误分类的像素；为了矫正特征融合后产生的错误分类，我们采用空间调整来提高阴影检测准确率；阴影检测过程中，检测到的阴影区域包括许多正确分类的区域，一些被错误定义的小斑点，类似的情况在检测到的目标区域也会出现，为彻底消除这些小错误分类的斑点，一个连通区域标记算法被用来标记不同的区域，然后，采用尺寸过滤器去除错误斑点，这样，一些孤立的错误区域得到了矫正。