自適應(yīng)的HSV顏色空間

1、1 引言在智能視頻監(jiān)控、交通監(jiān)控、或視頻會(huì)議等很多應(yīng)用中,必須將運(yùn)動(dòng)目標(biāo)從它的陰影中分離出來(lái)。陰影和目標(biāo)物一樣顯著區(qū)別于背景,和目標(biāo)有同樣的運(yùn)動(dòng)規(guī)律,使得陰影檢測(cè)成為一個(gè)有待解決的難題。目前陰影檢測(cè)的方法主要有基于特征的方法和基于模型的方法?；谀Ｐ偷姆椒ǜ鶕?jù)有關(guān)場(chǎng)景、目標(biāo)的三維幾何結(jié)構(gòu)和光源的已知信息建立一個(gè)陰影的統(tǒng)計(jì)模型,根據(jù)此模型來(lái)判別陰影區(qū)域,這些信息在實(shí)際應(yīng)用均不易得到,所以這類方法局限性較大,算法的時(shí)間復(fù)雜度較高?；谔卣鞯姆椒ㄒ话阒苯硬捎脠D像的特征,如亮度、顏色和飽和度等信息進(jìn)行判斷。以往的特征方法集中在RGB空間或HSV空間,計(jì)算每個(gè)像素點(diǎn)的特征信息,和相應(yīng)背景點(diǎn)比較,判斷是否

2、陰影。現(xiàn)有方法基本上采用固定的閾值進(jìn)行特征判斷,當(dāng)圖像背景發(fā)生改變時(shí),缺乏適應(yīng)性和準(zhǔn)確性;另外,絕大部分方法未考慮特征信息的權(quán)值,如HSV空間中,H分量、S分量、V分量在實(shí)際中權(quán)值是不一樣的。本文提出一種基于Otsu的自適應(yīng)的HSV顏色空間陰影檢測(cè)算法。首先得到前景區(qū)域和背景區(qū)域的HSV差分圖和差分直方圖,用Otsu方法確定差分圖中目標(biāo)物體和陰影分離的閾值,再對(duì)H、S、V分量進(jìn)行加權(quán), 從而準(zhǔn)確地檢測(cè)和消除陰影。Otsu方法確定閾值,具有適應(yīng)性特點(diǎn),對(duì)各分量加權(quán),提高了檢測(cè)的精度。本文算法的基本結(jié)構(gòu)如圖1。得到幀差圖像計(jì)算HSV各分量差分圖與差分直方圖Otsu計(jì)算S分量閾值Otsu計(jì)算V分量閾

3、值Otsu計(jì)算H分量閾值HSV各分量加權(quán)檢測(cè)得到陰影檢測(cè)結(jié)果輸入圖像圖 1 本文的算法結(jié)構(gòu)2HSV顏色空間檢測(cè)陰影首先用幀差法或背景差法取得前景區(qū)域,大大減少了處理的像素個(gè)數(shù),從而成倍縮短算法處理時(shí)間。有關(guān)幀差法、背景幀減法和背景更新模型請(qǐng)參考相關(guān)文獻(xiàn)。然后,計(jì)算前景區(qū)域和相應(yīng)背景區(qū)域的HSV各分量的差,通過(guò)差值來(lái)檢測(cè)陰影。前人所用到的閾值獲取方法均來(lái)自實(shí)驗(yàn)結(jié)果,并不具有適應(yīng)性和精確性。2.1 顏色空間轉(zhuǎn)換由于一般視頻采集卡得到的幀圖像采用RGB顏色模型,因此需要把RGB模型轉(zhuǎn)換成HSV顏色空間模型,具體算法如下:V = (R+G+B (1S = 1 - minR,G,B (2其中R B或G

4、B。式(1中V分量計(jì)算過(guò)程實(shí)際上是對(duì)彩色圖像進(jìn)行灰度化的過(guò)程,為了在視覺(jué)上更接近人的主觀感覺(jué),通常給RGB分量各自增加一個(gè)加權(quán)系數(shù),然后求其和:V = 0.229*R+0.587*G+0.114*B (42.2基于色度信息的陰影檢測(cè)與背景相比較,陰影區(qū)域的色度信息不變或只有輕微變化,利用HSV顏色空間的色度信息,認(rèn)為色度變化很小的區(qū)域可能為陰影,基于色度的陰影檢測(cè)為1 | (x,y - (x,y< (x,y=0其它2.4 基于飽和度的陰影檢測(cè)目標(biāo)投射到背景點(diǎn)會(huì)引起背景點(diǎn)在飽和度上較大的變化,而陰影則不會(huì)使背景點(diǎn)的飽和度有明顯變化。因此,和背景點(diǎn)的S值在范圍內(nèi)的前景點(diǎn)就被認(rèn)為是可能的陰影點(diǎn)

5、,基于飽和度的陰影檢測(cè)為1| (x,y- (x,y| <(x,y=0其它2.4基于亮度信息的陰影檢測(cè)由于陰影覆蓋區(qū)域的亮度值比背景相應(yīng)區(qū)域的亮度值要低,因此當(dāng)前幀和背景幀亮度差分為正數(shù)的像素不可能是陰影,若前景像素亮度值比背景像素點(diǎn)的亮度值低于一定值時(shí),則認(rèn)為該像素點(diǎn)可能為陰影1 (x,y- (x,y < (x,y=0 其它3最大類間方差確定分割閾值基于HSV顏色空間的陰影檢測(cè)中,一個(gè)難點(diǎn)是閾值、和的確定。常用的圖像閾值確定方法有:最大熵法、雙峰法、Otsu法、矩量保持法、梯度統(tǒng)計(jì)法。其中,Otsu自適應(yīng)閾值法作為圖像閾值分割的經(jīng)典算法,在圖像處理領(lǐng)域得到了廣泛的應(yīng)用。最大類間方差

6、法是由日本學(xué)者大津于1979年提出的,是一種自適應(yīng)的閾值確定的方法,又叫大津法,簡(jiǎn)稱Otsu。它的基本原理如下:設(shè)原始灰度級(jí)為M,灰度級(jí)為i的像素點(diǎn)個(gè)數(shù)為,則總的像素?cái)?shù)為:N = + +對(duì)灰度值進(jìn)行歸一化:= /M設(shè)分割閾值為t,剛將灰度分成兩類:=(0,1,2,t;=(t+1,t+2,M。每一類出現(xiàn)的概率為:= 和= =1-每一類的平均灰度為:= /=( - /(1- 其中:=則類間方差定義為:= *( - + *( - = * *( - 在1到M之間改變灰度值,使得灰度為時(shí),最大,則將作為最佳分割閾值。Otsu是基于圖像直方圖一階統(tǒng)計(jì)特性的,具有運(yùn)算簡(jiǎn)單、速度快等優(yōu)點(diǎn)。更詳細(xì)的理論及原理參

7、見(jiàn)文獻(xiàn)。4改進(jìn)的HSV顏色空間陰影消除針對(duì)傳統(tǒng)方法中用實(shí)驗(yàn)獲取閾值導(dǎo)致陰影檢測(cè)不準(zhǔn)確的缺點(diǎn),本文提出一種自適應(yīng)的閾值選取方法。首先得到HSV差分圖。然后在差分圖上采用Otsu方法分別得到陰影和目標(biāo)的H、S、V各分量的分割閾值,再對(duì)各分量進(jìn)行加權(quán)。4.1 H分量分割閾值的自動(dòng)選取如圖2(a,H分量差分圖中,人體區(qū)域大部分比較亮,即人體像素與相應(yīng)背景像素值的差相對(duì)較大;而陰影區(qū)域呈現(xiàn)較暗,陰影區(qū)域像素與相應(yīng)背景像素值的差相對(duì)較小,圖2(b中表現(xiàn)為峰值2181附近,像素較多。圖2 H分量差分圖和直方圖如圖3(b,在區(qū)間1,24上,像素?cái)?shù)量很多,而在24,254間的數(shù)量相對(duì)比較少,結(jié)合圖2可以看出,H

8、分量差分直方圖有個(gè)突變的過(guò)程,可把這個(gè)突變值作為H分量分割閾值。運(yùn)用Otsu方法確定這個(gè)突變值。圖3 H分量差分直方圖局部放大圖4.2 S分量分割閾值的自動(dòng)選取如圖4(a,陰影區(qū)域較人體區(qū)域要暗,即陰影區(qū)域與相應(yīng)背景區(qū)域像素的S 分量相差較小,對(duì)應(yīng)于圖4(b中第一個(gè)峰值附近區(qū)域,而人體區(qū)域的差分圖顏色較亮,對(duì)應(yīng)第二個(gè)峰值附近區(qū)域。找到這兩個(gè)峰值的最佳分割閾值,便是S分量陰影分割的最佳閾值。同樣采用Otsu方法確定閾值。圖4 S分量差分圖和直方圖4.3V分量分割閾值的自動(dòng)選取如圖5(a,人體區(qū)域和陰影區(qū)域呈現(xiàn)明顯的亮度差異,人體區(qū)域明顯較亮,而陰影區(qū)域相對(duì)要暗。即陰影區(qū)域與相應(yīng)背景區(qū)域像素的V分

9、量相差較小。圖5(b中,V分量直方圖存在兩個(gè)峰值,分別對(duì)應(yīng)陰影區(qū)域和人體區(qū)域。同樣采用Otsu方法找到這兩個(gè)峰值的最佳分割閾值,便確定了V分量陰影分割的最佳閾值。圖5 V分量差分圖和直方圖4.4 H、S、V分量加權(quán)檢測(cè)陰影根據(jù)以上方法進(jìn)行各分量獨(dú)立檢測(cè)陰影,分別得到結(jié)果如圖6。圖6 HSV各分量的陰影檢測(cè)結(jié)果如圖6所示,HSV各分量的陰影檢測(cè)效果不盡相同,故需要對(duì)各分量進(jìn)行加權(quán)。在這個(gè)場(chǎng)景中,H分量過(guò)分分割最嚴(yán)重,即Otsu方法得到的閾值比最佳閾值要大,所以權(quán)系數(shù)相對(duì)較小;S分量其次;V分量效果最好,權(quán)系數(shù)較大。本文采用實(shí)驗(yàn)的方式得到某一場(chǎng)景各分量的加權(quán)系數(shù)。5實(shí)驗(yàn)結(jié)果與分析綜合上述方法,設(shè)計(jì)

10、算法進(jìn)行實(shí)驗(yàn),得到陰影檢測(cè)結(jié)果,如圖7。對(duì)比(a和(b,H分量權(quán)值較大,會(huì)導(dǎo)致明顯的過(guò)分分割,而(b又陰影消除不足,調(diào)整S和V權(quán)值,得到較滿意的結(jié)果(c。這也驗(yàn)證了4.4節(jié)的分析。圖7 HSV加權(quán)陰影檢測(cè)與消除結(jié)果運(yùn)用同樣的方法,對(duì)其它場(chǎng)景進(jìn)行了實(shí)驗(yàn),得到了滿意的結(jié)果,如圖8和圖9。圖8 場(chǎng)景二的陰影檢測(cè)與消除結(jié)果圖9 場(chǎng)景三的陰影檢測(cè)與消除結(jié)果6 結(jié)論通過(guò)對(duì)HSV顏色空間中各分量的差分圖和差分直方圖進(jìn)行分析,運(yùn)用Otsu方法自適應(yīng)地確定各分量的陰影分割閾值,增加了算法的準(zhǔn)確性、普遍性和適應(yīng)性。而Otsu方法本身具有時(shí)間復(fù)雜度低的特點(diǎn),因此大大減少了算法的運(yùn)行時(shí)間。對(duì)各分量進(jìn)行加權(quán),提高了陰影

11、檢測(cè)的精度。實(shí)驗(yàn)證明本文提出的方法是有效、可行的,且易于工程實(shí)現(xiàn)。參考文獻(xiàn)1 Dong Xu, Jianzhuang Liu, Li,X, Zhengkai Liu,et al Insignificant shadow detection for video segmentationC.Circuits and Systems for Video Technology, IEEE Transactions 2005, 15(8:1058 10642 賈云得.機(jī)器視覺(jué)(圖象圖形科學(xué)叢書.科學(xué)出版社. 2003:1551573 HAO Ying-ming, ZHU Feng. Fast Algorithm for Two-dimensional Otsu Adaptive ThresholdAlgorithmJ. Journal of Image and Graphic