摘 要: 提出了一種融合線性特征的局部紋理運(yùn)動(dòng)車輛陰影檢測(cè)方法,。首先基于連續(xù)幀視頻圖像信息建立初始背景模型,;通過背景差法獲取包含陰影的運(yùn)動(dòng)目標(biāo)區(qū)域,同時(shí)依據(jù)該運(yùn)動(dòng)區(qū)域信息實(shí)時(shí)更新背景,;結(jié)合亮度信息,,利用改進(jìn)局部二值模式的紋理算子描述運(yùn)動(dòng)區(qū)域紋理,并根據(jù)海明距離進(jìn)行粗分類,,快速檢測(cè)出運(yùn)動(dòng)區(qū)域中的陰影覆蓋區(qū),;進(jìn)一步對(duì)陰影覆蓋區(qū)域進(jìn)行紋理信息的線性特性判斷,排除車輛自陰影區(qū)域,,獲取背景陰影,,得到真實(shí)車輛目標(biāo)。實(shí)驗(yàn)結(jié)果表明,該方法提高了陰影和車輛自陰影的檢測(cè)準(zhǔn)確度,,且速度快,,可滿足實(shí)時(shí)性要求。
關(guān)鍵詞: 線性特性,; LBP紋理,; 運(yùn)動(dòng)車輛; 陰影檢測(cè)
在交通視頻處理中,,對(duì)運(yùn)動(dòng)車輛的分割往往包含著運(yùn)動(dòng)車輛陰影,,且運(yùn)動(dòng)陰影的檢測(cè)十分困難,因?yàn)檫\(yùn)動(dòng)陰影具有兩個(gè)重要的視覺特性:一是運(yùn)動(dòng)陰影和運(yùn)動(dòng)物體都顯著區(qū)別于背景,;二是運(yùn)動(dòng)陰影與運(yùn)動(dòng)物體具有相同的運(yùn)動(dòng)屬性,。另外,陰影與車輛可能是粘合在一起的,,也可能是分離的,。如果陰影與車輛粘合在一起,會(huì)使運(yùn)動(dòng)車輛發(fā)生嚴(yán)重的失真,,影響后續(xù)車輛目標(biāo)識(shí)別,、分析、追蹤等,。因此,運(yùn)動(dòng)陰影檢測(cè)已成為近幾年智能交通研究的熱點(diǎn)和難點(diǎn)之一,。
對(duì)于陰影的檢測(cè)方法大體可分為:模型法,、屬性法和紋理法3類[1]。前兩種陰影檢測(cè)算法要么需要基于先驗(yàn)知識(shí),,計(jì)算量大,,要么需要從實(shí)驗(yàn)中提取閾值,隨機(jī)性較大,,不能同時(shí)兼顧實(shí)時(shí)性和準(zhǔn)確性,。陰影檢測(cè)紋理法則是利用無陰影背景紋理和陰影背景紋理相一致的特性。參考文獻(xiàn)[2]分析了光照模型像素點(diǎn)在陰影覆蓋和未被陰影覆蓋時(shí)成近似線性關(guān)系的特性,,提出了用歸一化互相關(guān)函數(shù)判斷陰影,。該方法參數(shù)設(shè)置簡(jiǎn)單,但該方法描述紋理較粗糙,,且需要對(duì)所有前景像素點(diǎn)進(jìn)行判斷,,計(jì)算量大,實(shí)時(shí)性較差[3],。參考文獻(xiàn)[4]提出了一種非常簡(jiǎn)單有效的LBP算子來描述紋理,,該方法也已應(yīng)用到在陰影檢測(cè)方面。張玲等[5]提出了利用局部二值模式(LBP)表征紋理進(jìn)行陰影判斷,但該方法只采用固定閾值的差值判斷,,對(duì)陰影和背景的邊緣以及交通視頻中車道分割線的檢測(cè)效果不佳,。胡園園等[6]提出改進(jìn)的增強(qiáng)局部紋理描述算子描述紋理,很好地體現(xiàn)了圖像局部結(jié)構(gòu)的特征,,但紋理描述過程計(jì)算量大,,且只利用紋理特征判斷,容易發(fā)生將覆蓋陰影的車輛(也稱車輛自陰影)誤檢為背景陰影的現(xiàn)象,,即偽陰影現(xiàn)象,。
本文針對(duì)LBP算子二進(jìn)制串描述紋理過于簡(jiǎn)單的問題,提出改進(jìn)描述算子,,考慮到基于LBP算子描述的紋理檢測(cè)算法引起的偽陰影問題,,提出融合線性特征的局部紋理運(yùn)動(dòng)陰影檢測(cè)算法。通過改進(jìn)LBP算子描述像素紋理,,根據(jù)紋理信息進(jìn)行海明距離判斷陰影,,快速方便地檢測(cè)出陰影覆蓋區(qū)域,并對(duì)陰影覆蓋區(qū)域通過紋理信息進(jìn)行線性判斷,,排除偽陰影區(qū)域,,同時(shí)避免對(duì)所有前景運(yùn)動(dòng)區(qū)像素點(diǎn)進(jìn)行分析,可提高檢測(cè)速度,。
通過改進(jìn)LBP算子可快速檢測(cè)出陰影覆蓋區(qū)域,,但在陰影覆蓋區(qū)中,容易包含車輛自陰影的偽陰影點(diǎn),,可根據(jù)陰影像素點(diǎn)的光照模型線性特性對(duì)陰影覆蓋區(qū)域進(jìn)行紋理信息線性判斷,,排除偽陰影,同時(shí)避免對(duì)所有前景目標(biāo)點(diǎn)進(jìn)行分析,,提高檢測(cè)速度,。
綜上所述,本文背景陰影檢測(cè)方法基本思路為:(1)背景生成:根據(jù)初始多幀視頻圖像建立初始背景模型并不斷依據(jù)實(shí)時(shí)幀運(yùn)動(dòng)信息更新背景;(2)前景運(yùn)動(dòng)目標(biāo)獲取:通過背景差法獲取包含陰影的前景運(yùn)動(dòng)車輛目標(biāo);(3)背景陰影檢測(cè):采用本文改進(jìn)的LBP算子描述前景像素點(diǎn)的紋理,,根據(jù)紋理不變性,,利用海明距離分割出陰影覆蓋區(qū)域,并對(duì)陰影覆蓋區(qū)域LBP紋理進(jìn)行線性判斷,,消除偽陰影,,得到背景陰影,以此獲取真實(shí)運(yùn)動(dòng)車輛目標(biāo),。算法具體步驟如下:
3 試驗(yàn)及結(jié)果
本實(shí)驗(yàn)工具為VC平臺(tái)和Matlab,環(huán)境為:Pentium-Dual Core 2.50 GHz CPU, 2.0 GB內(nèi)存,。所用的數(shù)據(jù)視頻圖像大小為200×320,鄰域大小為3×3,因此,,M=200,,N=320,,R=1,P=8,。經(jīng)過實(shí)驗(yàn)訓(xùn)練學(xué)習(xí),,本文取a=1,b=3,,α=0.9,,DH=4,Tncc=0.98,。選取基于LBP局部紋理的海明距離判斷方法(算法①)以及參考文獻(xiàn)[2]方法(算法②)與本文的方法(算法③)進(jìn)行比較,,抓取視頻中2幀圖像(如圖1所示)進(jìn)行實(shí)驗(yàn)分析,檢測(cè)比對(duì)效果如圖2,、圖3所示,,算法耗時(shí)比對(duì)如表1所示。
從圖2,、圖3中可以看出,,基于LBP局部紋理的海明距離判斷,陰影效果不錯(cuò),,但是在前景車輛區(qū)域中產(chǎn)生了較多的偽陰影,;參考文獻(xiàn)[2]方法的陰影檢測(cè)效果不錯(cuò),但也存在偽陰影現(xiàn)象,,且該方法需對(duì)所有的前景區(qū)域像素點(diǎn)進(jìn)行運(yùn)算判斷,,整個(gè)過程計(jì)算量較大,方法比較耗時(shí),;本文的方法在圖像局部紋理判斷的基礎(chǔ)上,,對(duì)陰影覆蓋區(qū)域部分直接運(yùn)用先前獲得的像素紋理信息進(jìn)行線性判斷,參數(shù)設(shè)置少且簡(jiǎn)單,,陰影像素點(diǎn)的判斷加強(qiáng),前景車輛區(qū)域的偽陰影點(diǎn)明顯降低,,車輛與背景分割明顯,,有較高準(zhǔn)確率,且由表1可知,,本文方法速度較快,,實(shí)時(shí)性較強(qiáng),可以獲得很好的陰影檢測(cè)效果,。
參考文獻(xiàn)
[1] ZHAO T, NEVATIA R. Tracking multiple humans in complex situations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004,26(9):1208-1221.
[2] 郭輝. 應(yīng)用歸一化互相關(guān)函數(shù)法進(jìn)行交通視頻陰影檢測(cè)[J]. 公路交通技術(shù),,2009(1):126-127,13.
[3] 熊運(yùn)余,曾凡光,周鵬,等. 一種新的多特性聯(lián)合陰影檢測(cè)方法[J]. 光電工程, 2009,36(4):118-122.
[4] OJALA T, PIETIKA INEN M, MAENPAA T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,24(7):971-986.
[5] 張玲,程義明,謝于明,等. 基于局部二元圖的視頻對(duì)象陰影檢測(cè)方法[J]. 系統(tǒng)工程與電子技術(shù), 2007,29(6):974-977.
[6] 胡園園,王讓. 基于局部紋理不變性的運(yùn)動(dòng)陰影去除算法[J]. 計(jì)算機(jī)應(yīng)用,2008,28(12):3141-3146.