传统颜色纹理阴影去除算法(SE-CT，Shadow Elimination based on Color and Texture)主要结合颜色和纹理的不变性特征分割目标和阴影.而实验表明，在实际的监控视频流中，阴影覆盖前后区域的纹理特征不变性这一假设并不总是成立的^[1].因此，SE-CT算法难以有效分割边界处前景和阴影.

基于SE-CT算法，文中提出GA-HT (GA-HT，Ship Shadow Elimination Based On HSV and Texture of Gradient Amendment)阴影去除算法，分析HSV颜色和纹理特征，利用梯度信息填充优化最终的阴影区域，并结合形态学处理知识^[2]完善前景目标的整体性.

1 传统前景检测和阴影去除方法解析 1.1 混合高斯前景检测

混合高斯模型常用于前景提取，其提取原理利用持续更新的高斯混合模型记录每个像素点的颜色变化历史信息，取其中一个子集模型表征背景.对于新获取的1帧图像，比较当前像素点颜色特征与相应的背景模型是否匹配，来判断该像素点为背景或前景^[3].

图 1为GMM前景提取.由于阴影的影响，检测出来的前景目标也包含了船舶阴影.

1.2 SE-CT算法

由阴影光谱属性可知，阴影区域中的像素点的光强度比背景区域的要小.在阴影区域中RG分量的反射比B分量的强，同时阴影覆盖的背景区，其B分量增加、RG分量减小^[4].利用这些特性，筛选出候选阴影区域S_i，如式(1).

${{S}_{i}}=\left\{ \begin{align} 1, & R({{x}_{b}},{{y}_{b}})-R\left( x,y \right), \\ & G({{x}_{b}},{{y}_{b}})-G\left( x,y \right) \\ & |B({{x}_{b}},{{y}_{b}})-B\left( x,y \right)|~＜k \\ 0, &’ 其他\end{align} \right.$

(1)

其中：x_b, y_b为背景像素值，k为阈值，R、G、B分别为色彩分量，S_i为候选阴影区域.

在光照条件不断变化的环境中，纹理不变性常被用来做阴影检测.局部二进制模式(LBP，local binary pattern)是纹理特征提取的一种有效算子，利用图像选定区域的中心像素与其周围局部像素进行阈值对比，如果中心像素的亮度不小于相邻像素值，标记为1，否则标记为0，并将最终的结果求和^[5]，其定义如下：

$\text{LB}{{\text{P}}_{P,R}}\left( x,y \right)=\sum\limits_{n=0}^{n=3}{{}}s({{g}_{p}}-{{g}_{q}}){{2}^{p}}$

(2)

$s\left( {{g}_{p}}-{{g}_{q}} \right)=\left\{ \begin{array}{*{35}{l}} 1, & \left| {{g}_{p}}-{{g}_{q}} \right|>T \\ 0, & 其他 \\ \end{array} \right.$

(3)

其中：s (.)为一阶单元函数；T为阈值，取值10；g_c为像素点(x, y)的灰度值，g_p为对应的相邻像素点；R为半径值，取值1;P则代表相邻像素点个数，取值8.实验取3×3窗口模版.

图 2为SE-CT算法阴影去除过程. 图 2(b)为基准图(黑色为背景；白色为船体；灰色为阴影). 图 2(c)为利用颜色特征提取的疑似阴影区域，其包含大量被误检为阴影像素的前景像素. 图 2(d)基于图 2(c)，利用纹理不变性筛选掉前景像素获取候选阴影区域.但由于船体与阴影分界处具有相似的颜色分量和纹理信息，致部分阴影区像素误检为前景像素. 图 2(d)为最终船舶的目标识别，结果有较好的提升.

2 基于GA-HT算法的船舶阴影检测 2.1 改进的SE-CT算法

GA-HT算法阴影去除流程步骤，如图 3所示.

1) 在RGB空间中，颜色对光照强度和角度比较敏感，所以难以有效地去除阴影.而在HSV空间中，颜色分量的亮度和色度是分开的，适用于阴影检测.基于此，文中选HSV颜色空间检测阴影，参见式(4).

$S{{P}^{t}}\left( p \right)=\left\{ \begin{array}{*{35}{l}} 1, & \alpha \le \frac{{{F}_{p}}^{v}}{{{B}_{p}}^{v}}\le \beta ,({{F}_{p}}^{s}-{{B}_{p}}^{s})\le {{\tau }_{s}}, \\ {} & ({{F}_{p}}^{h}-{{B}_{p}}^{h})\le {{\tau }_{h}};\alpha \in \left[ 0,1 \right],\beta \in \left[ 0,1 \right] \\ 0, & 其他 \\ \end{array} \right.$

(4)

其中：F_p^v和B_p^v分别为当前帧(F)和背景帧(B)在像素点p处的亮度值, F_P^S和B_P^S分别为对应的饱和度; F_P^H和B_P^H分别为对应的色度值, α、β、τ_s、τ_H分别表示最佳阈值.

2) 传统LBP纹理检测算法抗噪声性能差，而在实际应用中，噪声无法避免.为此，改进LBP, 如式(5)、式(6).

$\begin{align} & \text{LBP}\left( x,y \right)=\sum\limits_{n=0}^{n=3}{{}}S({{g}_{p}},{{g}_{c}},{{g}_{q}}){{2}^{p}},\text{where} \\ & \quad \quad \quad \quad \quad {{g}_{c}}=\sum\limits_{n=1}^{n=8}{{}}{{g}_{n}} \\ \end{align}$

(5)

$S({{g}_{p}},{{g}_{c}},{{g}_{q}})=\left\{ \begin{array}{*{35}{l}} 1, & ({{g}_{p}}\ge {{g}_{c}}\ \text{and}\ {{g}_{c}}\ge {{g}_{q}})\ \text{or} \\ {} & ({{g}_{p}}＜{{g}_{c}}\ \text{and}\ {{g}_{c}}q) \\ 0, & 其他 \\ \end{array} \right.$

(6)

其中：g_c为中心像素点的灰度值，g_p和g_q为以g_c为圆心、半径为R的圆边上的对称像素点.

改进LBP纹理检测方法，从1) 的疑似阴影掩膜中利用纹理特征进一步优化，得到候选阴影区域.

3) 对于每一块连通域，像素点p (x, y)的梯度幅值|Δ_p|和梯度方向θ_P为

$\left| {{\Delta }_{p}} \right|=\sqrt{{{\Delta }_{x}}^{2}+{{\Delta }_{y}}^{2}}$

(7)

${{\theta }_{p}}=\arctan 2{{\Delta }_{y}}/{{\Delta }_{x}}$

(8)

$S=\left\{ \begin{matrix} 1, & {{\theta }_{p}}＜{{\tau }_{m}} \\ 0, & 其他 \\ \end{matrix} \right.$

(9)

其中Δ_x、Δ_y分别表示水平和垂直梯度方向.函数arctan2(.)返回一个在[-π, π]之间的梯度方向值，θ_p表示像素的梯度方向.

4) 对于具有显著权重的像素p=(x, y), 前景帧F和背景帧B的梯度差为

$\Delta {{\theta }_{p}}=\arccos \left[ \frac{{{\Delta }_{x}}^{F}{{\Delta }_{x}}^{B}+{{\Delta }_{y}}^{F}{{\Delta }_{y}}^{B}}{\sqrt{\left( {{\Delta }_{x}}{{^{F}}^{2}}+{{\Delta }_{y}}{{^{F}}^{2}} \right)\left( {{\Delta }_{x}}{{^{B}}^{2}}+{{\Delta }_{y}}{{^{B}}^{2}} \right)}} \right]$

(10)

5) 利用当前帧和背景帧在梯度方向的相关性判断阴影区域, 如式(11).

$S=\frac{\sum _{p=1}^{n}\varphi }{n},\varphi =\left\{ \begin{array}{*{35}{l}} 1, & \Delta {{\theta }_{p}}＜{{\tau }_{a}} \\ 0, & 其他 \\ \end{array} \right.$

(11)

其中：n为候选阴影区域像素的个数，τ_a为梯度阈值.若S大于τ_c(梯度差阈值)，则像素点属于阴影区域，否则属于前景.

图 5为基于GA-HT算法实现船舶阴影去除过程. 图 5(c)为利用颜色特征对船舶的阴影检测. 图 5(d)为改进LBP纹理特征的阴影检测. 图 5(e)为利用Canny算子的边缘差分法，提取边缘信息. 图 5(f)为利用梯度填充来优化最终的阴影区域. 图 5(g)为GA-HT阴影检测的最终结果. 图 5(h)阴影去除二值化结果. 图 5(i)为阴影去除后船舶的精准识别.

2.2 影响GA-HT算法性能的参数

基于颜色特征的阴影检测算法，关键在于阈值(τ_s, τ_H)灵敏度的选择.如果阈值太高，会导致阴影检测率偏低，即大量的阴影像素被误检为前景像素.阈值太低，会导致阴影分辨降低，即检测的阴影像素中包含着大量的前景像素.

在梯度填充的算法中，不同边缘检测算子(τ_a, τ_c)阈值对最终阴影区域的填充修复效果不同.阈值过低会导致目标边缘存在着大量的假边缘像素点；阈值过高会平滑掉边缘信息.

因此，选取合适的阈值对于GA-HT阴影检测的性能的提高起到至关重要的作用.

3 检测与性能评价

文中测试的视频源取自苏州、扬州、宿迁等八个市级地方海事局的内河监控视频，视频帧为320×240，每秒25帧，共24 500帧.程序运行的硬件环境：Intel i5处理器，CPU频率3.20GHz，内存为4.00 G的64位操作系统，软件环境为Microsoft Windows 7操作系统，Visual Studio 2013开发环境.

文中采用文献[6]定义的两个指标，阴影检测率η和阴影分辨率ξ，并引入一个新的综合指标F，作为阴影性能检测的标准^[7], 且F越大，表示阴影检测的效果越好(见式(13)).检测算法性能如式(12).

$\eta =\frac{{{T}_{\text{PS}}}}{{{T}_{\text{PS}}}+{{F}_{\text{NS}}}},\varepsilon =\frac{{{T}_{\text{PF}}}}{{{T}_{\text{PF}}}+{{F}_{\text{NF}}}}$

(12)

$F=\frac{2\eta \varepsilon }{\eta +\varepsilon }$

(13)

其中：T_PS为检测正确的阴影像素点数，F_NS为误断的非阴影像素点数，T_PF为检测正确的前景像素点数，F_NF为误判的非前景像素个数.

3.1 阴影检测性能

为了获得最佳的阈值组合，选择了性能参数比较优的8组实验，如表 1所示.其中，τ_S、τ_H为颜色阈值_，τ_α、τ_c为梯度阈值.对比实验，当(τ_S=0.4，τ_H=0.2，τ_α=0.1，τ_c=0.5) 时，综合性能最优，达到92.93%，梯度阈值对阴影分辨率的影响大.颜色阈值增加，会导致所有性能指数降低，梯度阈值增加能提升性能指数.

表 2中，传统阴影检测算法存在阴影检测率和阴影分辨率不协调现象，如高阴影检测率而低阴影分辨率.相反，GA-HT算法能同时获得较高的阴影检测率η和阴影分辨率ε.在单帧图片处理的时间上，相比于传统SE-CT算法也仅多了2.85 ms.综合指标F可作为新的指标来衡量阴影检测算法性能的优劣.

4 结束语

基于传统的颜色纹理阴影去除算法的基础上，提出了融合颜色纹理梯度修复的GA-HT阴影去除算法.对比测试表明，该算法能够很好地克服基于单一特征的阴影检测算法的局限性和有效地分割边界处前景和阴影.同时，算法的性能参数指标都优于对比算法并具有很好的鲁棒性，提高了运动船舶跟踪的精度，并得以运用.