第第頁數(shù)字圖像中物體陰影自動(dòng)去除方法設(shè)計(jì)與實(shí)現(xiàn)目錄TOC\o"1-2"\h\u47671緒論 1295001.1研究背景 237871.1.1陰影的存在及成因 2171811.2陰影消除方法發(fā)展與現(xiàn)狀 350212基于統(tǒng)計(jì)特征的陰影建模 347142.1陰影特征分析 3233082.1.1RGB顏色空間 3123442.2陰影建模 7268593基于統(tǒng)計(jì)模型的前景陰影消除 914983.1前景檢測(cè)算法 9191743.2基于模型的陰影消除算法 1154784仿真實(shí)驗(yàn) 12249415結(jié)論 13208535.1研究的結(jié)論 13166285.2本文的主要工作和不足 1416359參考文獻(xiàn) 14摘要：當(dāng)物體將光源阻擋后就產(chǎn)生了陰影，它使得圖像的信息缺失或不能完整反應(yīng)出來。陰影不僅使圖像質(zhì)量下降，而且也影響了圖像的后期處理工作。因此，如何去除數(shù)字圖像中的陰影，是很有意義的工作。本文所做工作如下：首先，對(duì)數(shù)據(jù)圖像陰影去除的相關(guān)方法和技術(shù)進(jìn)行了研究和探討，闡述了陰影去除的產(chǎn)生背景，分析其發(fā)展過程；其次，以此為基礎(chǔ)，討論了數(shù)字圖像中陰影模型的建立方法；再次，在建模的基礎(chǔ)上，對(duì)多種現(xiàn)有陰影去除算法進(jìn)行了深入研究；最后，通過仿真驗(yàn)證了算法的有效性。關(guān)鍵詞：陰影檢測(cè)；陰影去除；高斯模型；陰影特征1緒論1.1研究背景1.1.1陰影的存在及成因陰影在自然界中，是一種較為普遍發(fā)生的現(xiàn)象，我們?nèi)粘Ｉ钪幸矘O其常見，因此，圖像中也是大概率會(huì)存在陰影的，陰影對(duì)于目標(biāo)的識(shí)別、定位、匹配等都有著不利的影響，計(jì)算機(jī)在處理該問題中可能造成誤判等情況。陰影的存在使圖像的處理工作難度增加，所以對(duì)于圖像中的陰影進(jìn)行識(shí)別和有效地去除有實(shí)際意義。綜上，需要對(duì)去除算法開展必要的研究工作。陰影產(chǎn)生，不僅與環(huán)境中光強(qiáng)度有關(guān)，而且跟所遮擋的物體自身透明度有關(guān)，并且與地貌紋理也息息相關(guān)。光強(qiáng)度高低可直接對(duì)陰影產(chǎn)生影響，兩者是正相關(guān)。因此，陰影強(qiáng)弱與光源有重要關(guān)系。陰影的存在，可能造成被研究的部分強(qiáng)度受到干擾，但一般色度變化不大[2][3]。1.1.2陰影的檢測(cè)與消除在應(yīng)用視覺領(lǐng)域中，圖像在進(jìn)行處理時(shí)，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)工作，并且進(jìn)行有效的分割，是我們進(jìn)行研究的核心。針對(duì)運(yùn)動(dòng)物體來說，由于陰影的成因可知，陰影與其的運(yùn)動(dòng)特性一致，因此，在物體處于動(dòng)態(tài)下，對(duì)其進(jìn)行檢測(cè)，還不能有效地對(duì)陰影進(jìn)行去除。需要指出的是，陰影通過投影后，會(huì)導(dǎo)致物體的運(yùn)動(dòng)狀態(tài)和尺寸發(fā)生變化，使檢測(cè)不易進(jìn)行，容易產(chǎn)生誤判或錯(cuò)誤識(shí)別，給研究工作造成不良的影響。為了排除上述干擾，對(duì)于運(yùn)動(dòng)物體，要盡可能精準(zhǔn)地進(jìn)行檢測(cè)工作，將陰影去除掉，以保障運(yùn)動(dòng)物體能夠被正確精準(zhǔn)地進(jìn)行描述。當(dāng)前，在進(jìn)行陰影檢測(cè)的相關(guān)工作中，可根據(jù)模型和特征的不同，采用不同的方法進(jìn)行檢測(cè)，根據(jù)模型方法，是通過按照?qǐng)鼍啊⒐庹盏惹闆r，通過建模模擬真實(shí)的情況，建模參照所需的目標(biāo)要求，給定其位置、光照強(qiáng)度、角度等，可得到較為精準(zhǔn)的陰影情況，而根據(jù)特征方法則是在了解陰影和背景的光譜特征前提下，開展檢測(cè)工作。1.1.3研究圖形處理中陰影消除的目的和價(jià)值圖像在進(jìn)行處理時(shí)，較為重要的就是完成陰影消除這一工作內(nèi)容。當(dāng)前，對(duì)于圖像信息處理的需求較大，以數(shù)字圖像處理來說，其為交叉管理學(xué)科。在當(dāng)前智能化技術(shù)逐步發(fā)展的環(huán)境下，該領(lǐng)域也是發(fā)展迅猛，隨著需求的增多，越來越多的研究也在進(jìn)行，在服務(wù)領(lǐng)域中，其已經(jīng)開始進(jìn)行了應(yīng)用，圖像信號(hào)處理可以理解為，讓計(jì)算機(jī)進(jìn)行相關(guān)圖像分析的學(xué)習(xí)工作，從而能夠完成圖像處理工作，得到所需的結(jié)果。能夠處理圖像，也就是對(duì)數(shù)字圖像進(jìn)行處理，最終得到想要的處理后的結(jié)果。只是想將早期的圖形質(zhì)量進(jìn)行一定程度的優(yōu)化和改善，主要以人的角度來進(jìn)行處理，目的是滿足人的視覺感受，美化圖像。在航空航天領(lǐng)域，數(shù)字圖像的處理技術(shù)的運(yùn)用十分廣泛，生物醫(yī)學(xué)上對(duì)圖像處理要求也較高，需要相關(guān)技術(shù)配合，在工業(yè)檢測(cè)方面，也能得到實(shí)際的應(yīng)用。信息技術(shù)的不斷發(fā)展，已經(jīng)帶給我們較為智能化的生活，對(duì)于數(shù)字圖像數(shù)據(jù)處理更是有了新的變革，相信隨著技術(shù)的不斷開發(fā)，其必將在人類生活中起到更多的影響，使人們享受更加美好的生活。1.2陰影消除方法發(fā)展與現(xiàn)狀計(jì)算機(jī)相關(guān)技術(shù)的迅猛發(fā)展，結(jié)合其他學(xué)科的理論知識(shí)，對(duì)于數(shù)字圖像處理的相關(guān)工作已經(jīng)較為完善，但對(duì)于陰影去除這一領(lǐng)域的工作還存在些許不足，因其是對(duì)視覺信號(hào)進(jìn)行處理，這種感官的處理方法還有待加強(qiáng)。圖像為彩色，在處理陰影的過程中，干擾項(xiàng)很多，處理后圖像的品質(zhì)受損，在此種情況下，我們可知，陰影消除的相關(guān)方法確實(shí)還需要我們進(jìn)一步研究和應(yīng)用，為其發(fā)揮自身價(jià)值提供研究基礎(chǔ)。目前，我們所掌握的陰影消除方法眾多，如直方圖均衡化，運(yùn)用同態(tài)濾波消除陰影等，但需要指出的是，都只采用了單一的算法，在進(jìn)行圖像處理時(shí)比較死板，缺少具體問題和情況采取不同處理方法的情況，這對(duì)消除效果具有重要影響，不利于產(chǎn)生較好的處理效果，并且使用范圍受到了較大限制。在頻域或空域上，也出現(xiàn)了處理方法，但是其所需的相關(guān)參數(shù)不容易確定，往往只是根據(jù)理論推斷或者經(jīng)驗(yàn)來取值。在陰影消除的相關(guān)技術(shù)中，對(duì)圖像的增強(qiáng)技術(shù)使用頻繁，復(fù)原技術(shù)也普遍應(yīng)用，空域和頻域上均可采用相對(duì)應(yīng)的圖像增強(qiáng)方法，前者是在圖像平面的基礎(chǔ)上，開展處理工作，如直方圖均衡化，后者是通過傅里葉變換，得到頻域信息，在此基礎(chǔ)上進(jìn)行增強(qiáng)，如同態(tài)濾波算法。2基于統(tǒng)計(jì)特征的陰影建模2.1陰影特征分析2.1.1RGB顏色空間針對(duì)彩色圖像來說，其色彩空間常用模型為模型。日常中，較多設(shè)備都采用該模型，如電視、彩色掃描儀等，其模型主要由紅、綠、藍(lán)三種基本顏色組成，得到較多的組合。在三維坐標(biāo)系下，建立模型，三個(gè)軸分別為軸、軸、軸，見圖2.1所示圖2.1RGB空間模型由上圖可知，模型視為一個(gè)正方體，原點(diǎn)對(duì)應(yīng)黑色，對(duì)應(yīng)白色，在這個(gè)正方體中每個(gè)點(diǎn)對(duì)應(yīng)不同顏色，方便我們?nèi)ナ褂谩?.1.2HSV顏色空間在計(jì)算機(jī)領(lǐng)域中，顏色模型中模型是較為常用的，其對(duì)顏色的表述可通過直觀屬性來表達(dá)，通過調(diào)整亮度、色度、飽和度來實(shí)現(xiàn)，比如Photoshop軟件就是采用模型。在HSV模型中，表示色調(diào)，范圍是，紅色為，綠色為，藍(lán)色為。在混合光譜中，色調(diào)是跟光波長(zhǎng)有直接聯(lián)系的，表示飽和度，范圍為，其與基礎(chǔ)色調(diào)的純度相關(guān)聯(lián)，色度由色調(diào)、飽和度共同作用得到的。表示亮度，范圍為。亮度受到物體反射率的影響，兩者成正相關(guān)，在彩色不存在的情況下，亮度也是衡量標(biāo)準(zhǔn)。有彩色的情況下，白色加入越多亮度越高，黑色加入越多亮度越低。飽和度則是由色調(diào)純度進(jìn)行控制的，純光譜色飽和為零，加入白光越多，飽和度逐漸增加。2.1.3RGB、HSV顏色空間的轉(zhuǎn)換在硬件設(shè)備中，往往采用RGB顏色設(shè)計(jì)模型，其采用加法混色的方式，主要表現(xiàn)為原色對(duì)應(yīng)的數(shù)值越高色彩越亮。HSV模型與RGB模型不同，其更加重視視覺呈現(xiàn)，但是本質(zhì)上兩種模式又是相同的，只是顏色產(chǎn)生的方式不同。它們之間可以互相轉(zhuǎn)化，具體轉(zhuǎn)化過程如下if(s=0)R=G=B=V;elseH/=60;i=INTEGER(H);f=H-i;a=V*(1-s);b=V*(1-s*f);c=V*(1-s*(1-f));switch(i)case0:R=V;G=c;B=a;case1:R=b;G=v;B=a;case2:R=a;G=v;B=c;case3:R=a;G=b;B=v;case4:R=c;G=a;B=v;case5:R=v;G=a;B=b;光強(qiáng)度高低可直接對(duì)陰影產(chǎn)生影響，兩者是正相關(guān)，因此，陰影強(qiáng)弱與光源有重要關(guān)系。通常，陰影會(huì)導(dǎo)致對(duì)應(yīng)區(qū)域的強(qiáng)度發(fā)生變化，而色度的沒有太大。文獻(xiàn)[3]就是基于特征在RGB顏色空間上通過各個(gè)空間歸一化對(duì)色度進(jìn)行建模。模型在圖像處理工作中較為常用，在顏色空間，色彩通過色調(diào)、飽和度、亮度值進(jìn)行描述，與空間相比，空間的物理意義更為清晰。物體色度由像素點(diǎn)的值、值進(jìn)行描述，物體強(qiáng)度則是V值進(jìn)行描述，需要指出的是，取值范圍為，取值范圍為，取值范圍為。為了方便處理，我們?cè)谶M(jìn)行RGB轉(zhuǎn)換到HSV顏色空間轉(zhuǎn)換時(shí)，將各個(gè)子空間都縮放到范圍內(nèi)，其轉(zhuǎn)換公式如下所示：（1）2.1.4提取陰影統(tǒng)計(jì)數(shù)據(jù)在進(jìn)行相關(guān)數(shù)據(jù)的統(tǒng)計(jì)工作中，手動(dòng)對(duì)某分析視頻進(jìn)行標(biāo)記，對(duì)于同一個(gè)位置，對(duì)其有無陰影情況下，HSV空間各通道的像素值進(jìn)行統(tǒng)計(jì)，如表2.1所示。表2.1陰影統(tǒng)計(jì)數(shù)據(jù)來源視頻統(tǒng)計(jì)源視頻基本信息統(tǒng)計(jì)區(qū)域區(qū)域內(nèi)位陰影的幀區(qū)域內(nèi)無陰影的幀HighwayI440幀，320×240，室外以（6，225）（66，235）為頂點(diǎn)的矩形區(qū)域，像素點(diǎn)數(shù)為60016，17，42，47，51，61，91，129，147，151（共10幀）133-142（共10幀）加州大學(xué)圣迭戈分校，其相關(guān)研究實(shí)驗(yàn)室公布的測(cè)試視頻（http：///aton/shadow/），這是的視頻來源。該視頻共有幀，每幀大小為，統(tǒng)計(jì)區(qū)域?yàn)橐詾轫旤c(diǎn)的的區(qū)域，區(qū)域內(nèi)有陰影的幀為，，，，，，，，，，區(qū)域內(nèi)無陰影的幀為，如圖2.3，圖2.4所示。圖2.3帶陰影的十幀圖像的特定區(qū)域圖2.4無陰影的十幀圖像的特定區(qū)域?qū)⑹畨K圖像區(qū)域進(jìn)行合并，形成一幅新的圖像，使統(tǒng)計(jì)工作更加方便、直觀，如圖2.5和圖2.6所示圖2.5帶陰影區(qū)域圖2.6無陰影區(qū)域根據(jù)需求選擇對(duì)應(yīng)幀，在該區(qū)域進(jìn)行相關(guān)工作，得到直方圖統(tǒng)計(jì)。對(duì)、、三個(gè)通道的直方圖信息需要進(jìn)行統(tǒng)計(jì)，因此，將色彩空間圖像轉(zhuǎn)化為色彩空間圖像，提取三個(gè)通道的分量圖像并進(jìn)行直方圖統(tǒng)計(jì)，因此，無陰影區(qū)域的顯示如下圖7(a)，7(b)，7(c)。2.7(a)無陰影H通道2.7(b)無陰影S通道2.7(c)無陰影V通道圖2.7HSV值無陰影直方圖統(tǒng)計(jì)示例帶陰影區(qū)域，上述三個(gè)通道直方圖統(tǒng)計(jì)信息顯示如下圖2.8(a)，2.8(b)，2.8(c)所示。8(a)帶陰影H通道圖8(b)帶陰影S通道圖8(c)帶陰影V通道圖8HSV值帶陰影直方圖統(tǒng)計(jì)示例對(duì)上圖進(jìn)行相關(guān)分析，得到結(jié)果為：陰影進(jìn)行投射時(shí)，通道和通道的變化量較小，十分不明顯，通道與其他兩個(gè)通道不同，變化量明顯，正好證實(shí)了先前文獻(xiàn)所得出的結(jié)論。2.2陰影建模2.2.1高斯模型高斯模型采用其所對(duì)應(yīng)的概率密度函數(shù)，有效地進(jìn)行分析，它在圖像中的運(yùn)用是灰度直方圖的處理工作，也就是說，可通過某個(gè)灰度值出現(xiàn)的頻率，來進(jìn)行處理工作，因此，需研究灰度概率密度計(jì)算。但在醫(yī)學(xué)領(lǐng)域中，圖像較為復(fù)雜，呈多峰的，該特性可建立模型，視為多個(gè)高斯分布疊加,將圖像分割問題轉(zhuǎn)化為數(shù)學(xué)問題，建立數(shù)學(xué)模型有效地解決和改善問題。2.2.2K-means聚類算法對(duì)K-means算法進(jìn)行闡述，在各數(shù)據(jù)中，選取個(gè)對(duì)象，設(shè)置為初始聚類中心，對(duì)剩下的數(shù)據(jù)進(jìn)行分析，找到其與初始聚類中心的相似程度，將其進(jìn)行分配，分配給與本身相似度最高的聚類。具體如下：（1）選擇個(gè)初始中心點(diǎn)，例如（2）對(duì)于，分別與進(jìn)行比較，與最小差值的標(biāo)記一致；（3）所有標(biāo)記為點(diǎn)，重新進(jìn)行計(jì)算，公式為：（4）(2)-(3)步驟進(jìn)行重復(fù)，與給定閾值相比，使值小于它。2.2.3高斯陰影建模經(jīng)過研究可知，在顏色方面，圖像像素滿足混合高斯分布（Jill等）[5]，基于此，可針對(duì)圖像像素建立高斯模型如下：（2）式中，當(dāng)前像素點(diǎn)值X，模型方差為，均值為，上述參數(shù)是確定的，分析圖1可知，在通道和通道，像素是單峰模態(tài)，但需要指出的是，在通道則是多模態(tài)且呈高斯分布。綜上所述，各通道均可用高斯模型，H通道模型公式為：（3）與式(2)變量相似，此空間用進(jìn)行標(biāo)識(shí)，通道建立模型，與通道采用模型和含義相似。對(duì)圖中數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，可依據(jù)通道的像素值大小，建立與通道類似的高斯模型。在通道上，三個(gè)高斯模型需要進(jìn)行建立，陰影在哪個(gè)模型中需要進(jìn)行確定，因此，先進(jìn)行陰影樣本采集，手動(dòng)獲得600份樣品，結(jié)合K-means算法，對(duì)樣本進(jìn)行分類。在通道中，各陰影聚類由表示，其中參數(shù)為第個(gè)聚類中，像素的均值、方差、像素點(diǎn)數(shù)目，如公式(4)、公式(5)：（4）（5）其中，。根據(jù)上述統(tǒng)計(jì)可知：、通道是單個(gè)高斯模型，無需聚類操作，均值和方差根據(jù)上述公式計(jì)算得出，將高斯模型的參數(shù)進(jìn)行確定。3基于統(tǒng)計(jì)模型的前景陰影消除3.1前景檢測(cè)算法3.1.1圖像分割對(duì)圖像進(jìn)行分類處理時(shí)，對(duì)圖像進(jìn)行分割十分重要，是較為重要的工作內(nèi)容，可通過分割得到屬性相似的區(qū)域，在可應(yīng)用的范圍內(nèi)，圖像進(jìn)行分割，主要是達(dá)到對(duì)圖像噪聲的過濾，有效的識(shí)別并提取重要特征等。也就是說，圖像分割是將圖像通過進(jìn)行有效的區(qū)域劃分，將特征相似的區(qū)域歸為一類，然后準(zhǔn)確的提取所需目標(biāo)，從而得到較好的圖像處理。綜上所述，可對(duì)其定義為：中國(guó)系統(tǒng)圖像數(shù)據(jù)區(qū)域?yàn)椋瑢⑵溥M(jìn)行分割，得到N個(gè)滿足學(xué)生生活條件的非空子集（1）在拆分結(jié)果中，每個(gè)區(qū)域的像素具有相同的特征。（2）分割結(jié)果的不同子區(qū)域，都具有自身的特征，無共同特征。（3）分割的所有子區(qū)域的并集就是我們?cè)瓉淼膱D像。（4）每個(gè)子集是一個(gè)連通區(qū)域。從上面的描述中，從定義上可以知道，經(jīng)過圖像分割后，子區(qū)域的并集涵蓋所有像素，并且區(qū)域彼此不重疊，即，每個(gè)像素不能同時(shí)屬于不同的區(qū)域。根據(jù)像素特性不同劃分不同區(qū)域，因此，可根據(jù)區(qū)域判斷像素特征是否一致。3.1.2前景提取在許多研究圖像數(shù)據(jù)處理系統(tǒng)工程中，需要在場(chǎng)景設(shè)計(jì)存在運(yùn)動(dòng)發(fā)展目標(biāo)的情況下可以獲得前景圖像，叫做前景提取。影響經(jīng)濟(jì)前景提取的因素有很多，例如在前景提取的過程中，背景中可能含有輕微擾動(dòng)的物體，如樹枝、樹葉的搖動(dòng)，此外，一天中不同時(shí)間段的光線、天氣等的變化對(duì)檢測(cè)方法結(jié)果也會(huì)產(chǎn)生重要影響。在后期處理的工作中，對(duì)目標(biāo)進(jìn)行分類和跟蹤，相關(guān)行為的理解能力等，都是針對(duì)圖像中運(yùn)動(dòng)目標(biāo)的像素展開的，因此，后處理受到前期檢測(cè)工作的影響，準(zhǔn)確的分割也是重要一環(huán)。(l)幀差法在對(duì)目標(biāo)進(jìn)行檢測(cè)或分割時(shí)，普遍采用幀差法，其是利用兩到三幀的像素時(shí)差，結(jié)合關(guān)閉值，從而有效的將圖像移動(dòng)區(qū)域辨識(shí)出來。(2)光流法主要是對(duì)光流場(chǎng)進(jìn)行相應(yīng)的計(jì)算工作，圖像序列在時(shí)空梯度、移動(dòng)目標(biāo)等發(fā)生運(yùn)動(dòng)變化，分析其對(duì)應(yīng)關(guān)系，進(jìn)行運(yùn)動(dòng)估計(jì)。光流場(chǎng)可依照全局和特征點(diǎn)不同有不同的方法。3.1.3高斯混合模型上述提到這一模型，是應(yīng)用于背景消除的有效模型，現(xiàn)將其在前景提取時(shí)進(jìn)行運(yùn)用。高斯混合模型可表示像素點(diǎn)的特征，當(dāng)K個(gè)高斯函數(shù)模型,得到更新的圖像信息后，混合高斯模型也進(jìn)行相應(yīng)的更新，進(jìn)而將像素點(diǎn)都與之進(jìn)行匹配，匹配成功則為背景點(diǎn)，反之，為前景點(diǎn)。3.1.4高斯混合模型實(shí)現(xiàn)前景提取在高斯混合模型（）中，某時(shí)刻，某個(gè)像素點(diǎn)所有歷史值為如下序列：在該時(shí)間序列中，個(gè)高斯分布進(jìn)行疊加，像素點(diǎn)的概率密度函數(shù)為：（6）其中，高斯分布個(gè)數(shù)R=5，第i個(gè)高斯函數(shù)的權(quán)重系數(shù)、數(shù)學(xué)期望、協(xié)方差矩陣分別為、、，高斯模型。根據(jù)匹配的情況，完成模型參數(shù)的更新工作，若第k個(gè)高斯分布與匹配，調(diào)整各高斯分布的權(quán)值，公式為：（7）式中，學(xué)習(xí)率為，若第個(gè)高斯分布與匹配，則，剩余高斯模型，通過不斷的進(jìn)行調(diào)整，某個(gè)高斯分布匹配成功的頻率越高，其權(quán)值也要越高，背景模型的高斯分布進(jìn)行匹配后，也要及時(shí)調(diào)整均值和方差，更新公式為：（8）（9）式中，，在背景模型中，高斯分布匹配失敗時(shí)，不調(diào)整均值和方差。按照上述步驟，對(duì)視頻開展相關(guān)處理工作，最終得到背景，如圖3.1所示。圖3.1背景圖像圖3.2為圖像分割得到的前景圖像圖3.2前景圖像3.2基于模型的陰影消除算法研究陰影消除的方法，主要是為了將前景中的陰影進(jìn)行去除，使圖像的目標(biāo)更加明確和清楚，本文對(duì)前景進(jìn)行檢測(cè)，進(jìn)行陰影消除工作，算法偽代碼為：AlgorithmShadow_Eliminate()Input：ImageframesOutput：Theforegroundwithoutshadow(1)：CreateShadowModel(samples);(2)：CreateGMM(frames);(3)：while(frame!=NULL)(4)：ExtractForgroundGMM(frame);(5)：foreverypixelinforegrounddo(6)：foreverypixelinforegrounddo(7)：Ph=ComputWeight(pixelh，shadowMh);(8)：Ps=ComputWeight(pixels，shadowMs);(9)：Pv=ComputWeight(pixelv，shadowMv);(10)：if(mhPh+msPs+mvPv<Th)(11)：pixel=OBJECT;(12)：else(13)：pixel=SHADOW;(14)：UpdateShadowModel();(15)：endif(16)：endfor(17)：UpdateGMM();(18)：endwhile研究其重要算法，是對(duì)當(dāng)前像素點(diǎn)與各個(gè)高斯模型的匹配度、、進(jìn)行計(jì)算。各通道匹配權(quán)值、和，研究各通道對(duì)陰影影響情況，前景像素點(diǎn)P，陰影判定公式為：（10）其中，H通道和S通道，像素均值為、，V通道三個(gè)模型權(quán)重為、、，Th為判定陰影的閾值Th，如果不小于Th，其像素屬于陰影，=0，在前景進(jìn)行消除，反之，其像素屬于前景=255。通道進(jìn)行更新護(hù)，高斯模型進(jìn)行相應(yīng)的更新，像素點(diǎn)在檢測(cè)后被判定為陰影時(shí)，均值和方差要配合進(jìn)行更新，采用式(8)、式(9)。V通道有三個(gè)高斯模型，遵循混合高斯模型更新方法，首先通過式(7)對(duì)三個(gè)權(quán)值進(jìn)行更新，然后使用式(8)和式(9)對(duì)更新V通道中所匹配的模型進(jìn)行更新，其他模型保持不變。4仿真實(shí)驗(yàn)本文采用對(duì)HighwayI.avi視頻對(duì)本算法進(jìn)行驗(yàn)證。視頻來自加州大學(xué)圣迭戈分校CVRR小組所公布的測(cè)試視頻。通過前幾章的準(zhǔn)備工作，以及前面步驟的結(jié)果，通過對(duì)不同的閾值及權(quán)值，得到的仿真結(jié)果。并與同態(tài)濾波進(jìn)行圖像陰影去除進(jìn)行對(duì)比，如圖4.1，圖4.2，圖4.3。圖4.1原始圖像第18幀、第298幀圖4.2運(yùn)用同態(tài)濾波陰影消除圖4.3高斯混合模型去除陰影效果圖4.1為原始圖像的第18幀、298幀，圖4.2顯示了同態(tài)濾波對(duì)相應(yīng)幀的處理效果，圖4.3為本文陰影消除算法所得到的效果。在上圖中，白色表示檢測(cè)出來的前景，黑色表示背景。從圖中可以看出，混合高斯模型在進(jìn)行前景檢測(cè)時(shí)，將陰影也當(dāng)作作為前景目標(biāo)物體檢測(cè)出來。本文算法在其所檢測(cè)出的前景基礎(chǔ)上進(jìn)行陰影消除，將混合高斯模型檢測(cè)中所存在的大部分陰影進(jìn)行了很好地消除，而對(duì)于前景目標(biāo)基本沒有損失。同時(shí)可以看到，在混合高斯模型檢測(cè)過程中，由于光照等環(huán)境因素引起的噪聲點(diǎn)也當(dāng)成前景被檢測(cè)出來，而本算法在也對(duì)其進(jìn)行了很好的消除，使人物輪廓變得清晰可見，驗(yàn)證了本文算法的有效性，同時(shí)對(duì)數(shù)字圖像在人臉識(shí)別，顯微圖像，以及汽車障礙識(shí)別方面提供很好的方法，使數(shù)字圖像運(yùn)用更加廣泛，也為后面的無人駕駛技術(shù)對(duì)汽車障礙識(shí)別做了鋪墊。5結(jié)論5.1研究的結(jié)論針對(duì)運(yùn)動(dòng)目標(biāo)開展檢測(cè)，較為傳統(tǒng)的方法是把陰影進(jìn)行提取，作為前景來進(jìn)行處理，其不足之處為經(jīng)常出現(xiàn)識(shí)別錯(cuò)誤，物體變形等。這種不利的因素都會(huì)給相關(guān)研究帶來困難，造成結(jié)果誤判等。面臨傳統(tǒng)目標(biāo)檢測(cè)的問題，需要進(jìn)行解決和改善，因此，以前景運(yùn)動(dòng)檢測(cè)算法為前提，進(jìn)行相關(guān)的研究，在HSV空間下，陰影有其自身的特征，由上述分析可知：有無陰影的前提下，在通道的直方圖中，V通道變化較大，其余受到的影響甚微。結(jié)合上述情況，在HSV顏色空間下，本文提出新的高斯陰影模型，對(duì)于陰影的相關(guān)特征進(jìn)行分析，統(tǒng)計(jì)相關(guān)數(shù)據(jù)，在三通道上均建立高斯模型，模型中的參數(shù)結(jié)合陰影樣本可得到。在次模型基礎(chǔ)上，結(jié)合陰影去除的算法，識(shí)別上是通過檢測(cè)像素點(diǎn)和模型是否匹配，進(jìn)而對(duì)其進(jìn)行消除工作，實(shí)現(xiàn)最終目的。通過仿真實(shí)驗(yàn)表明，在前景中，采用本文提出的算法，可有效的將陰影識(shí)別處理，并進(jìn)行去除，與同類型算法相比，其正確檢測(cè)率有所提高，消除效果明顯，此算法得到了較好的驗(yàn)證結(jié)果，有效性能高，具有較強(qiáng)的適應(yīng)性，能夠針對(duì)不同場(chǎng)景均有效。5.2本文的主要工作和不足5.2.1本文的主要工作在傳統(tǒng)的運(yùn)動(dòng)檢測(cè)算法中，由于陰影的存在，算法將陰影及運(yùn)動(dòng)目標(biāo)作為前景同時(shí)提取出來，需要指出的是，傳統(tǒng)的陰影消除算法對(duì)陰影的檢測(cè)以及對(duì)不同場(chǎng)景的適應(yīng)性不佳，使得陰影往往不能夠準(zhǔn)確實(shí)時(shí)的消除。對(duì)結(jié)果造成了一定的影響，并且對(duì)研究者帶來了一些不便。本文主要研究對(duì)于不同陰影去除算法得出：在HSV顏色空間中，針對(duì)視頻的多個(gè)陰陽區(qū)域，進(jìn)行直方圖統(tǒng)計(jì)，得到相應(yīng)的分析結(jié)果，在同類算法中，上述算法能夠精準(zhǔn)的進(jìn)行陰影消除，消除效果較好，在已有的算法中，其檢測(cè)率和有效區(qū)分率都較高。5.2.2本文的不足本文在開展相關(guān)研究和實(shí)驗(yàn)中，存在著不足之處。在區(qū)域截取的過程中，由于選擇區(qū)域的不典型性，使得有陰影和無陰影的直方圖統(tǒng)計(jì)中，V通道差別不夠典型，導(dǎo)致在高斯模型進(jìn)行擬合時(shí)，兩個(gè)模型中有一些重合。這樣，在最后一步利用高斯模型進(jìn)行陰影消除時(shí)，存在一些重合點(diǎn)，這樣就有一些前景像素點(diǎn)被消除，有一些陰影像素點(diǎn)留下。參考文獻(xiàn)[1]Prati,Andrea,Mikic,Ivana,Trivedi,MMohan,Cucchiara,Rita.Detectingmovingshadows:Algorithmsandevaluation[J].IEEETransactionsonPatternAnalysisandMachineIntellige