一种多特征融合的运动目标阴影检测及消除方法技术

本发明专利技术公开了一种多特征融合的运动目标阴影检测及消除方法。该方法为：读取运动目标视频图像序列，建立图像背景模型；再对图像的前景及背景进行分离，得到运动目标前景区域；提取运动目标区域的Color Name特征，得到基于Color Name特征的阴影候选区域；提取运动目标前景的边缘特征，得到基于边缘特征的阴影候选区域；将运动目标区域的Color Name特征与边缘特征相融合，得到最终的阴影区域；构建阴影评估辅助模型，评估当前帧图像的阴影情况，根据评估结果消除阴影，更新阴影消除结果；读取下一帧图像，重复上述过程，直到图像帧读取完毕。本发明专利技术提高了图像中运动目标阴影消除的准确性，以及后续运动目标检测与跟踪的准确性与实时性。

A Shadow Detection and Elimination Method for Moving Objects Based on Multi-feature Fusion

【技术实现步骤摘要】
一种多特征融合的运动目标阴影检测及消除方法
本专利技术属于运动目标检测
，特别是一种多特征融合的运动目标阴影检测及消除方法。
技术介绍
近年来，随着图像处理技术的发展，基于机器视觉的目标检测与跟踪系统得到了广泛应用。运动目标检测作为机器视觉领域中的重点研究内容之一，交叉融合了包括模式识别、自动控制、图像处理及特征融合等诸多学科理论知识。然而，由于运动阴影与运动目标具有相同的运动特征，利用背景差分法将目标与背景分离时，常常会将阴影误判为运动目标的一部分，导致运动目标形状出现变化，从而降低了后续目标检测与跟踪的准确性。因此，探究一种准确检测并消除运动目标阴影的方法成为当前目标检测研究工作的一大难点。在对运动阴影进行检测前，首先要准确检测到运动目标。如今，各国研究人员不断研究运动目标检测算法以得到更好的检测效果。光流法、帧间差分法及背景差分法都是主流的目标检测算法。光流法由Gibson于1950年首次提出，其原理是利用像素在时域上的变化及相邻图像帧间的相似性来获取上一帧与当前帧间目标的运动信息。光流法稳定性好，准确性高，但计算量大，很难满足实时性需求。帧间差分法的原理是根据相邻图像帧本文档来自技高网...

【技术保护点】
1.一种多特征融合的运动目标阴影检测及消除方法，其特征在于，包括以下步骤：步骤1、建立背景模型：读取视频图像序列，采用混合高斯模型方法建立图像的背景模型；步骤2、获取运动目标区域：使用三帧差分法对图像的前景和背景进行分离，得到运动目标前景区域，并对运动目标前景区域中的噪声干扰进行滤波、膨胀和腐蚀形态学操作，得到运动目标前景区域Sf；步骤3、提取颜色特征：提取运动目标前景区域Sf的ColorName特征，得到包含黑、蓝、棕、灰、绿、橙、紫、红、粉、白和黄的十一维颜色特征，再通过主成分分析法将十一维颜色特征自适应降至三维，得到基于ColorName特征的阴影候选区域SCN；步骤4、提取边缘特征：使...

【技术特征摘要】
1.一种多特征融合的运动目标阴影检测及消除方法，其特征在于，包括以下步骤：步骤1、建立背景模型：读取视频图像序列，采用混合高斯模型方法建立图像的背景模型；步骤2、获取运动目标区域：使用三帧差分法对图像的前景和背景进行分离，得到运动目标前景区域，并对运动目标前景区域中的噪声干扰进行滤波、膨胀和腐蚀形态学操作，得到运动目标前景区域Sf；步骤3、提取颜色特征：提取运动目标前景区域Sf的ColorName特征，得到包含黑、蓝、棕、灰、绿、橙、紫、红、粉、白和黄的十一维颜色特征，再通过主成分分析法将十一维颜色特征自适应降至三维，得到基于ColorName特征的阴影候选区域SCN；步骤4、提取边缘特征：使用Canny边缘算法提取运动目标前景区域Sf的边缘特征，得到基于边缘特征的阴影候选区域SE；步骤5、并行方式融合：将步骤3得到的基于ColorName特征的阴影候选区域SCN和步骤4得到基于边缘特征的阴影候选区域SE，采用并行方式进行融合，得到最终的阴影区域S，即S＝SCN∪SE；步骤6、建立阴影评估辅助模型：结合光照强度Ea、阴影强度Eb和阴影系数Z，构建阴影评估辅助模型，对图像中最终的阴影区域S进行评估；步骤7、消除阴影：根据阴影区域评估结果，决定是否需要执行阴影消除操作，若需要，则将当前帧运动目标前景区域Sf中最终的阴影区域S中的像素点用背景像素填充，实现当前帧的阴影消除，并对阴影消除结果进行更新；反之，则保留上一帧图像的阴影消除结果；步骤8、读取下一帧，重复步骤3～步骤7，直到图像序列读取结束。2.根据权利要求1所述的多特征融合的运动目标阴影检测及消除方法，其特征在于，步骤1所述的建立背景模型，具体如下：步骤1.1、建模预处理：定义K个高斯函数来表示每个像素点的像素值，设定每个采样点都服从混合高斯分布，则单个采样点xi服从的混合高斯分布概率密度函数：Yj，i＝σj，i2I其中，p(xi)是单个采样点xi服从的混合高斯分布的概率，η(xi，μj，i，Yj，i)为第i时刻第j个高斯分布的概率密度函数，wj，i为第i时刻第j个高斯分布的权重，μj，i为第i时刻第j个高斯分布的均值，Yj，i为第i时刻第j个高斯分布的协方差，xi是采样点第i时刻的像素值，σj，i2为第i时刻第j个高斯分布的方差，I为三维单位矩阵；步骤1.2、匹配高斯分布模型：设每个新像素值为Ai，将Ai与K个高斯模型进行匹配，直到得到与新像素值匹配的分布模型，即存在：|Ai-μj，i-1|≤2.5σj，i-1其中，μj，i-1是第i-1时刻第j个高斯分布的均值，σj，i-1是第i-1时刻第j个高斯分布的标准差；若该匹配模式符合背景要求，则该像素属于背景，反之则属于前景；步骤1.3、更新权重：依照下式进行每个模式的权值更新：wk，i＝(1-θ)*wk，i-1+θ*Qk，i其中，wk，i是第i时刻第k个高斯分布的权重，wk，i-1是第i-1时刻第k个高斯分布的权重，θ为学习率，Qk，i用来表示第i时刻第k个高斯分布所处模式是否匹配，取值依模式匹配情况而定，若模式相匹配，则Qk，i＝1；反之，Qk，i＝0，并重新归一化每个模式的权值；步骤1.4、生成高斯模型：针对未匹配的模式，采样点的均值与标准差均保持不变，匹配模式的参数按照下式进行更新：ρ＝θ·η(Ai|μk，σk)μi＝(1-ρ)·μi-1+ρ·Aiσi2＝(1-ρ)·σi-12+ρ·(Ai-μi)T(Ai-μi)其中，ρ是更新率，Ai是第i时刻的新像素值，μk、σk分别是第k个高斯分布的均值和标准差，η(Ai|μk，σk)是第i时刻第k个高斯分布的概率密度，μi-1、μi分别是第i-1、i时刻的均值，σi-12、σi2分别是第i-1、i时刻的方差。3.根据权利要求1所述的多特征融合的运动目标阴影检测...

【专利技术属性】
技术研发人员：徐倩，黄成，戴望，曹腾达，张甲豪，王力立，张永，徐志良，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32