图着色问题O(2n)链数DNA计算机算法.docVIP

一种基于统计特征建模的阴影消除算法徐成1,杨志邦1,周旭2,田峥11(湖南大学 计算机与通信学院,湖南长沙 410082);2(嘉兴学院 数学与信息工程学院，浙江嘉兴 314001)摘 要: 视频图像中的运动目标检测已经成为计算机视觉领域的一个热点研究课题。运动目标中的阴影是严重影响目标检测效果的关键因素之一,为了得到更加精准的检测结果,对阴影进行检测和消除是非常关键且迫切的。本文主要工作如下:首先,建立一种新的用于阴影消除的统计高斯模型。该模型基于HSV颜色空间,采用直方图统计方法,将阴影的特征属性引入到传统混合高斯模型中,通过训练阴影样本而获得模型中的相关参数;其次,基于改进的模型,提出一种新的前景阴影消除算法,通过将前景像素与阴影模型进行匹配来实现阴影的判定和消除。与同类算法的对比分析表明:本文算法对于不同场景下的阴影消除是实时并准确的,在阴影检测率和阴影区分度上均有显著提升。关键词: HSV颜色空间;阴影特征;高斯模型;阴影消除中图法分类号：TP391A shadow elimination algorithm based on statistical feature model XU Cheng1, YANG Zhi-Bang1, ZHOU Xu2, Tian Zheng 11 (School of Computer and Communication, Hunan University, Changsha 410082, China);2 (College of Mathematics and Information Engineering, Jiaxing University, Jiaxing 314001, China)Abstract: The existence of the shadow seriously impacts the result of the foreground object detection.How to detect and eliminate the shadow is the key problem for the moving target detection. Aiming to the shadow problem during the detection of the object, we use the histogram to statistic and analysis the color feature of the shadow under the HSV color space, got the shadow feature of the H, S, V channel. And then, we establish the Gaussian shadow model on each channel according to the statistic information, to obtain the model parameters through training the shadow sample. Finally, we propose a novel algorithm to eliminate the shadow based on the model we built, through computing how the pixel matched to the model to determine and eliminate the shadow. Comparing with the similar algorithms, the results show that the proposed algorithm can eliminate the shadow correctly in real-time under different scenarios, and it performs better on the metrics of shadow detection rate and the shadow discrimination rate compared to the existing algorithms.Key words: HSV color space;shadow feature;Gaussian model;Shadow Eliminate资助项目:国家“八六三”高技术研究发展计划基金项目(2007AA01Z104)1 引 言视频中的运动物体包含大量有意义的视觉信息,将运动目标从实时变化的背景中快速准确的分离出来是对图像进行进一步分析处理的关键。运动目标检测在智能视频监控、事故检测、自动导航等系统中都有广泛的应用前景,已经成为视觉领域研究的重点1-11。在运动目标检测过程中,阴影通常作为前景被检测出来,对阴影进行检测和消除是运动目标精准检测中不可避免的关键问题之一12-20。阴影的以下两个特点决定了阴影消除问题的复杂性。首先,阴影与运动物体一样都显著区别于背景。其次,阴影和投射它们的运动物体具有相同的运动规律,很难对其进行区分。如果阴影和运动物体融合在一起,会使目标的几何形状发生变形,导致形状检测算法失效;如果阴影独立于运动物体存在,则容易误检测为单一的运动目标1。这些问题都对高层的运动目标分类、跟踪以及行为分析等都造成很大的影响,因此,针于运动前景进行阴影消除具有重要意义,业已成为当前一个很活跃的研究领域,国内外诸多专家学者对其进行了研究1-20。阴影的消除算法有多种,文献1对现存的阴影消除算法进行了比较全面的分析比较和总结。根据处理过程中是否引入不确定因素,将阴影消除算法分为判定性算法和统计算法。其中,判定性算法通过一些预设条件对像素是否属于阴影进行判断。而统计算法则构建一个可能性函数,通过统计的方法来计算像素属于阴影的可能性,从而决定像素是否属于阴影。另外,根据处理过程中是否需要参数,将统计算法分为统计参数法2 (Statistical Parametric Approach,SP)、统计非参数法3 (Statistical Nonparametric Approach, SNP)；根据判定性算法是否需要模型支持将其分为判定性模型法4 (Deterministic Model Based Approach DM)和判定性非模型法5(Deterministic Nonmodel-Based Approach DNM)。文献1对现有的经典算法进行了归类,并对SP、SNP以及DNM算法进行了比较分析。阴影的消除需要使用阴影的特征信息,根据所使用的特征信息的不同,又可将阴影消除算法分为基于纹理和基于属性两类。基于纹理的阴影消除算法根据阴影区域的灰度有所加深但纹理没有改变的原理进行检测。常用的纹理分析算法有Gabor小波纹理分析、基于自相关函数的纹理分析等6-11。文献6基于Gabor小波纹理分析的方法,将可能的阴影区域划分成若干图像子块,再将这些子块投射到Gabor小波函数上,获得子块的Gabor特征。通过与相应背景图像的Gabor特征进行比较,即可判断当前图像子块是否为阴影。由于其需要大量的映射和比较操作,在检测过程中计算量较大。文献7认为阴影区域的纹理和阴影投射前区域的纹理是相似的,根据此特征来检测阴影。文献8融合颜色和梯度特征对运动阴影进行检测。文献7,8中基于的检测方法由于受到场地的限制,当运动目标和阴影具有相同纹理信息时很难识别阴影。文献9-11介绍了现下流行的基于阴影属性特征的阴影消除算法。这些算法通过分析阴影的亮度、几何结构和色彩等方面的性质而对阴影进行检测。其中在文献9中,Cucchiar等认为在HSV颜色空间中,阴影覆盖区域的亮度值较低,而色度和饱和度值在一定范围内变化,通过设定多个阈值分割出前景、背景和阴影。Trattersail10对Cucchiar算法进行了改进,通过利用多个约束条件求取一个最优阈值,实现阴影消除。这两种算法均需要设置较多的阈值或约束条件,对于不同场景下阴影消除的适应性比较差。文献11中基于HSV彩色空间的色调值,融合RGB色彩模型中的蓝色分量信息对阴影进行消除,将RGB彩色空间中的蓝色分量为模板,计算该模板与所提取出的阴影区域间的直方图,采用单阈值化分割方法来确定阴影区域,对于复杂场景,这种单阈值的方法往往不能取得很好的阴影消除效果。针对现有阴影消除算法中存在的不足,本文做出了如下改进:(1). 在HSV颜色空间下,通过对阴影区域内各个像素点的H、S、V通道颜色值进行统计,与相应的非阴影区域进行直方图对比分析,基于统计信息在三个通道上分别建立独立的高斯模型,从而构建HSV颜色空间下一种新的阴影高斯模型,通过训练阴影样本得到模型参数。(2). 在阴影模型的基础上,提出一种基于统计模型的前景阴影消除算法, 在各个通道上计算当前像素与阴影模型的匹配程度,对各通道的匹配值进行加权,与预定阈值进行比较从而判定是否为阴影。将本文算法与同类算法进行实际视频测试,实验结果表明本文算法对于不同场景下的阴影都能够很好地消除,相对已有算法在阴影检测率和阴影区分度两个指标上均有显著提升。并且本文算法中阴影消除的参数通过样本训练得到,不需要设置很多阈值,具有一定的鲁棒性和自适应性。本文后续章节组织如下:第2节介绍了一种改进的阴影建模方法,第3节在改进模型的基础上给出了前景检测与阴影消除算法,本文算法与同类算法的仿真对比分析在第4节中给出,最后对全文进行了总结。2.改进的阴影模型阴影一般都显著区别于前景目标,通过对多个视频的直方图统计分析,得出阴影的特性,然后对其进行建模,通过阴影样本训练模型参数,最终确定阴影模型,以下对其进行详细介绍。2.1 阴影特征分析当光线被物体遮挡时,便会产生阴影。阴影的状态一般受环境光的强度、物体的透明度以及地面的质地等因素的影响。通常情况下,阴影会导致对应区域的强度发生很大的变化,而色度的变化则不明显1920。文献20基于此特征,在RGB颜色空间上通过对三个颜色通道归一化处理,基于色度建模。由于RGB不便于直接描述物体的色度信息,所以直接归一化得到的结果并无明确的物理意义,不能很好代表物体的色度。HSV颜色空间用色调(Hue)、饱和度(Saturation)和亮度值(value)来描述色彩,相对RGB空间而言具有清晰的物理意义,被广泛地应用在图像处理领域。 (1) 空间HSV中H、S、V的取值范围及意义如公式(1)。像素点的H值和S值代表了物体的色度,而V值则代表了物体的强度。由于单通道图像在显示的过程中都是使用八位数据来表示,为了便于实际处理,我们在进行RGB到HSV颜色空间转换时,将各个子空间的取值范围进行了适当的调整,转换公式如(2)所示: (2) 为了便于统计,我们通过对多个视频进行标记,统计同一区域在有阴影和无阴影情况下的HSV空间各通道的像素值。表1展示了一些统计视频的相关信息,这些视频均来自加州大学圣迭戈分校计算机视觉和机器人研究实验室(Computer Vision and Robotics Research Laboratory, CVRR)所公布的标准测试视频（/aton /shadow/）。表1. 阴影统计数据来源视频统计源视频基本信息统计区域区域内为阴影的帧区域内无阴影的帧HighwayI440帧,320240,室外以(6,225) (66,235)为顶点的矩形区域,像素点数为60016,17,42,47,51,61,91,129,147,151(共10帧)133-142(共10帧)Intelligentroom300帧,320240,室内以(92, 50) (102,65)为顶点的矩形区域,像素点数为150140-179(共40帧)1-40(共40帧)Laboratory887帧,320240,室内以(40,202) (60,222)为顶点的矩形区域,像素点数为40094-98,230-232,284-287,487-489(共15帧)1-15(共15帧)Campus1179帧,352288,室外以(65,260) (125,270)为顶点的矩形区域,像素点数为60046-55(共10帧)1-10(共10帧)（1-a）无阴影H通道（1-b）无阴影S通道（1-c）无阴影V通道（1-d）带阴影H通道（1-e）带阴影S通道（1-f）带阴影V通道图1. HSV值的直方图统计图1显示了在H、S、V各通道上统计结果的直方图,图中横坐标表示不同的像素值,纵坐标示为该像素值所对应的像素点数目。从图1可以看出,阴影投射时代表物体色度的H、S通道值变化较小(见图(1-a)、(1-d)、 (1-b)和(1-e),而代表物体强度的V通道值则变化较大 (见图(1-c)、(1-f)。通过统计分析多个视频数据可以发现这样一个现象:阴影对于色度的影响不大,而对于强度则有很大的影响,这是我们后续阴影建模的依据。2.2 阴影建模高斯模型是一种使用高斯概率密度函数精确地量化事物的模型。Jill等人21很早就发现,现实中的图像像素在颜色上符合混合高斯分布,从而可以对图像中的像素建立如公式(3)所示的高斯模型。 (3) (4)公式(3)中, x为当前像素点值,当为单通道图像时,其是一维向量,当为多通道时,其为多维向量。和分别代表模型的方差和均值,是模型中需要确定的两个重要参数。通过对图1进行分析可以得出,像素在H通道和S通道都是一个单峰模态,在V通道则是一个多模态的形式,各模态均呈高斯分布。鉴于此,我们对各个通道分别使用高斯模型进行建模,各模型中的变量均为一维变量,其中H通道的高斯模型如公式(4)。式(4)中的各个变量与式(3)中类似,用下标h标识此空间。S通道的模型与其类似。对于V通道,根据图1的统计结果,我们根据像素值的大小建立三个高斯模型,各模型的构建与H通道类似。由在V通道上存在三个高斯模型,为了确定各模型的参数,本文首先采集600个阴影样本,采用k-means聚类方法将样本分为3类。V通道内各个阴影聚类由来标识,分别代表第i(1i3)个聚类中像素的均值、方差和像素点数目。均值和方差分别使用公式(5)、(6)计算得到: (5) (6)其中, Rr为各个聚类的点集合。H通道和S通道都是单个的高斯模型,不需要进行聚类,通过式(5)和式(6)计算均值和方差,从而确定高斯模型中所需的参数。3基于改进模型的前景阴影消除本文中的阴影消除算法主要分为两步执行:1) 前景检测,2) 阴影的检测和消除。接下来将对相关算法进行详细的阐述。3.1 前景检测阴影消除算法通常需要借助于前景检测算法。本文将采用混合高斯模型22（Gaussian Mixture Model, GMM）来提取前景像素。在GMM模型中,某个特定的像素点在某时刻t的所有历史值可以用式(7)所示的序列表示: (7) 该时间序列可表示K个高斯分布的叠加,即混合高斯分布。其当前像素点Xt的概率密度函数如公式(8)所示: (8) 公式(8)中:K为高斯分布的个数,本文中取值为5;为第i个高斯函数的权重系数;为第i个高斯模型的数学期望;为第i个高斯模型的协方差矩阵。为式(3)所示的高斯模型。模型的参数需要根据匹配结果进行更新。若第k个高斯分布与Xt匹配,则按公式(9)对模型中各高斯分布的权值wk,t进行调整: (9)其中是学习率,若被检测的像素值Xt与第k个高斯分布匹配,则Mk,t=1,其它高斯模型对应的Mk,t=0。通过调整,让匹配次数越多的高斯分布获得的权值也越大。背景模型中匹配成功的高斯分布,其均值和方差也要进行更新,更新公式如(10)、(11)所示: (10) (11) 其中,对于匹配不成功的高斯分布,在背景模型更新时,其均值和方差保持不变。3.2 基于改进模型的阴影消除算法3.2.1 算法描述阴影消除的最终目的是去除前景中所存在的阴影,使得运动目标清晰可见。本文的阴影消除算法是在前景检测的结果上开展的,算法如下:Algorithm Shadow_Eliminate( )Input: Image framesOutput: The foreground without shadow(1): CreateShadowModel (samples);(2): CreateGMM(frames);(3): while(frame != NULL)(4): ExtractForground GMM (frame);(5): for every pixel in foreground do (6): Ph = ComputWeight(pixelh, shadowMh); (7): Ps = ComputWeight(pixels, shadowMs);(8): Pv = ComputWeight(pixelv, shadowMv);(9): if (mhPh+msPs+mvPv Th )(10): pixel = OBJECT;(11): else(12): pixel = SHADOW;(13): UpdateShadowModel( );(14): end if(15): end for(16): UpdateGMM( );(17): end while引理1:算法1可用于实现运动目标中阴影的检测和消除。证明:本算法的输入为视频序列帧,本算法的阴影检测和消除都是在输入视频帧上进行的。算法第(1)步通过对阴影样本进行训练而确定阴影模型参数,从而确定阴影模型。算法第(2)步建立一个混合高斯模型,用于提取包括阴影在内的前景运动目标。算法第(3)- (17)步为一while循环。首先判断视频是结束,若结束就推出此循环,否则执行循环体即第(4)-(16)步,实现对前景目标中阴影的消除。第(4)步从混合高斯模型中提取前景信息。第(5)-(15)步为一内部的for循环,用于对每一个前景像素点进行处理。首先第(5)步检测当前像素点是否属于前景,如果是则执行第(6)- (13)步循环体,否则跳出循环。第(6)-(8)步分别计算当前像素点与阴影模型在各个通道上的匹配程度,第(9)-(14)步判断当前像素是属于目标还是属于阴影,如果属于阴影,则在第(13)步更新阴影模型,到(15)步为止完成了一帧图像的检测,然后在第(16)步更新混合高斯模型。整个算法实现了对连续输入的视频序列帧的处理,然后从前景目标中去除阴影,实现了对运动目标中的阴影检测和消除,证明完毕。3.2.2 算法理论基础算法的核心部分是计算当前像素点与各通道的匹配度Ph、Ps和Pv。根据高斯模型的特征,服从某一高斯分布的随机变量X,其越靠近均值,其属于该高斯分分布的可能性就越大。本文中通过式(4)的高斯密度函数来计算当前像素与在各个通道的匹配程度,对于V通道,其有三个函数,就对各个通道根据权值进行相加。同时,为了区分各个通道对于阴影决策的影响,本文对各通道分配权值mh、ms和mv。对于每个前景像素点P,阴影判定公式如(12)所示。 (12)上式中:和分别为像素在H通道和S通道的均值,w1、w2、w3为V通道三个模型的权重,Th为判定阴影的阈值,如果大于等于此阈值,就认为当前像素属于阴影,Pvalue赋值为0,将其从前景中去除,否则认为是前景,Pvaule赋值为255。H、S通道的更新遵循单个高斯模型的更新方式,当有点被检测成阴影时,使用式(10)和式(11)对均值和方差进行更新。V通道有三个高斯模型,遵循混合高斯模型更新方法,首先通过式(9)对三个权值进行更新,然后使用式(10)和式(11)对更新V通道中所匹配的模型进行更新,其他模型保持不变。4实验仿真4.1 视频测试本文采用多组视频对文中算法进行模拟,选择的视频包括室内视频和室外视频两种。为了验证算法的可行性和有效性,我们在双核2.0GHz CPU,1G内存配置的桌面电脑上,采用C+语言对本文算法进行编程实现,对视频1和视频2的所有帧均进行了模拟测试。视频1为自行拍摄的校园室外场景,共 284帧。视频2来自长期从事运动检测和阴影消除研究的加州大学圣迭戈分校CVRR小组所公布的室内场景测试视频,共300帧,其还提供阴影消除的标准效果,便于研究者进行对比和量化分析。两个视频均为AVI格式,分辨率为320240。 以下分别选取视频1的第92帧、125帧和135帧以及视频2的第164帧、第268帧对模拟结果进行说明。(1). 图2所示的是视频1的仿真结果。视频场景中两个人走过。图2-a分别展示了原始图像的第92帧、125帧和135帧, 图2-b显示了混合高斯模型对相应帧的处理效果,图2-c为本文阴影消除算法所得到的效果。在图2-b和图2-c中,白色表示检测出来的前景,黑色表示背景。从图2-b与图2-c的对比,我们发现:混合高斯模型在进行前景检测时,通常将阴影作为前景目标物体检测出来,这影响到目标检测的精确性。而本文算法在前景检测的的基础上对阴影进行消除,而其中的前景目标基本没有影响。此外,本文算法对于混合高斯模型检测出的噪声点也进行了很好地消除,使人物轮廓变得更加清晰。第92帧第125帧第135帧(2-a)原始图像第92帧第125帧第135帧(2-b)混合高斯模型处理后的图像第92帧第125帧第135帧(2-c)本文改进模型处理后的图像图 2. 校园场景阴影消除(2). 图3显示了各算法对intelligentroom视频的处理效果.该视频是一个室内的监控录像。视频中有一个人走进室内并缓慢走动,并进行了一系列动作。图3和图4分别显示的是第164帧和第268帧的对比处理结果。对比的算法包括Sp算法、Snp算法、Dnm1算法、Dnm2算法, 此四种算法是文献1所总结出的几类经典阴影检测算法,广泛应用于阴影检测当中。检测到的运动目标用红色来标记,蓝色标记检测到的阴影。标准检测结果来自CVRR小组。图3-a和4-a为原始图像,图3-g和4-g为对应的标准检测结果。如图3所示,现有的Sp、Snp、Dnm1、Dnm2四类阴影消除算法虽然能辨别出最终检测目标,但是Snp、Dnm1、Dnm2算法检测结果中发现代表阴影的蓝色部分中混杂着表示前景的红色像素点,这意味着部分阴影被误检测为前景;Sp算法检测结果中发现代表前景的红色部分混杂了代表阴影的蓝色像素,存在前景目标误被检测为阴影的情况。以上两种误检测的现象都将影响最终目标的检测效果。本文通过统计建模的方法,将阴影颜色特征属性引入到阴影消除算法中,弱化了前面所出现的两种误检测现象,最终获得的检测效果与Sp、Snp、Dnm1、Dnm2四类目前广泛应用的阴影检测算法相比,最接近标准检测结果。(3-a)原始图像(3-b)Sp处理效果(3-c) Snp处理效果(3-d)Dnm1处理效果(3-e)Dnm2处理效果(3-f) 本文处理效果(3-g) 标准检测结果图 3. intelligentroom视频第164帧检测效果(4-a)原始图像(4-b)Sp处理效果(4-c) Snp处理效果(4-d)Dnm1处理效果(4-e)Dnm2处理效果(4-f) 本文处理效果(4-g) 标准检测结果图 4. intelligentroom视频第268帧检测效果图4显示的检测结果与图3类似,现有的四种算法都不同程度上存在前面所描述的两种误检测。本文算法的检测结果误检测最少,人体轮廓明显,最接近标准检测结果。从图2到图4的模拟结果表明,本文的阴影检测算法具有可行性和普适性,检测结果与现有的四类经典阴影检测算法相比综合性能最佳,具有误检测少,检测目标清晰等优点。为了进一步对我们的模拟结果进行验证,我们分别对视频1的共284帧,视频2的共300帧进行了实验模拟,最终都达到了预期的效果。4.2 性能分析4.2.1 量化比较我们采用Prati A等人1提出的阴影消除算法定量评估分析方法,定义阴影检测率 (阴影被正确检测概率)和阴影区分度（目标被正确检测概率),如公式(13)、(14): (13) (14)上式中,TPS标示正确检测的阴影像素点;FNS标示未检测出的阴影像素点;TPF标示正确检测出的前景像素点,FNF为未检测出的前景像素点。为标准帧中的前景目标减去其被检测为阴影的像素点。使用本文算法以及前面的Sp、Snp、Dnm1、Dnm2四种算法对intelligentroom视频进行检测,并将结果与网站上所提供的标准效果进行对比,采用公式(13)和(14)分别对和进行计算。式(13)中的TPS为算法检测结果与标准结果都为蓝色的像素点数目,FNS为标准结果为蓝色,而算法未检测为蓝色的像素点数目。式(14)中TPF为算法检测结果与标准结果都为红色的像素点数目,FNF为标准结果为红色,而算法未检测为红色的像素点数目,为标准结果为红色的像素点数目减去其被检测为蓝色的像素点数目,通过计算最终得到如表2所示的量化结果。与为衡量阴影检测效果的两个关键指标,前者反映阴影被正确检测的比例,后者反映前景目标被正确检测的概率。见表2,本文对于前景中的阴影能够正确地检测,并且前景目标被检测为阴影的情况也较少,对于这两个指标都取得了较好的效果,相对另外四个算法在这两个指标上均有显著提升,综合效果最好。表2. 各种算法性能比较SpSnpDnm1Dnm2本文算法76.27%72.82%78.61%62.00%80.12%90.74%88.90%90.29%93.89%94.69%表3. 算法运行时间分析检测视频每帧处理时间(毫秒)每秒处理帧数(帧)未考虑阴影的混合高斯前景检测算法本文算法未考虑阴影的混合高斯前景检测算法本文算法HighwayI34.0744.4229.3522. 51Labrary31.2143.5032.0422.99Intelligentroom29.9042.1733.4423. 71Campus28.4940.3935.1024.76平均值30.9242.6232.4825.864.2.2 算法时间分析本文在双核2.0GHz CPU,1G内存配置的桌面电脑上,分别采用混合高斯前景检测算法和本文算法对表1所列的测试视频进行检测,运行时间对比如表3所示。本文算法和传统的未考虑阴影的混合高斯前景算法相比,增加了对阴影进行检测和消除的过程,因此运行时间有所增加。虽然,本文算法中每帧处理时间平均增长了约12毫秒,平均每秒处理的帧数也下降了约7帧,但本文算法的每秒检测帧数仍能到达22帧以上,基本可以满足阴影消除应用的实时性要求,具有一定的可行性。5 结论传统的目标检测算法中通常将阴影作为前景提取出来,这将很大程度上影响着运动目标检测的效果,降低检测结果的精确度1-20。为了更加精确地检测出运动目标,对其阴影的检测和消除是非常关键的。基于以上目的,本文首先建立了一种新的用于阴影消除的统计高斯模型。模型中采用直方图统计方法,将阴影在HSV颜色空间上的特征属性引入到传统混合高斯模型中,而相关参数将通过训练阴影样本获取。文中随后基于改进的模型提出一种新的前景阴影消除算法,通过将前景像素与阴影模型进行匹配来实现阴影的判定和消除。经过实验模拟显示本算法具有可行性和普适性。与同类算法的对比我们发现,本算法在阴影检测率和阴影区分度上均有显著提升,检测出的目标更精确,综合性能最佳。参考文献:1 Prati A.,Mikic I,Trivedi, M.,et al. Detecting moving shadows: Algorithms and evaluation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(7): 918-923. 2 I. Mikic, P. Cosman, G. Kogut, et al. Moving Shadow and Object Detection in Traffic Scenes, Proc. Intl Conf. Pattern Recognition, Sept.2000, pp:321-3243 S. J. McKenna, S. Jabri, Z. Duric, et al. Tracking Groups of People, Computer Vision and Image Understanding, 2000, 80(1): 42-56.4 K. Onoguchi. Shadow Elimination Method for Moving Object Detection. Proc. Intl Conf. Pattern Recognition, 1998, pp: 583-587,.5 R. Cucchiara, C. Grana, G. Neri, et al. The Sakbot System for Moving Object Detection and Tracking. Video-Based Surveillance Systems Computer Vision and Distributed Processing, 2001, pp. 145-157.6 Leone A, Distante C, Ancona N, et a1. Texture analysis for shadow removing in video- surveillance systems. Proceedings of IEEE International Conference on System, Man and Cybernetics., 2004(6): 325-6330.7 Hang SHI, Yuexian ZOU, Yiyan WANG,et al. A Robust Traffic Parameter Extraction Method using Texture and Entropy, IEEE Intelligent Vehicles Symposium, china: Xian, 2009: 237-241.8 Liu,Hong,Li,Jintao,Liu,Qun,Qian,Yueliang,Li,Haojie. Moving Cast Shadow Elimination Based on Color and Gradient Features. JOURNAL OF COMPUTER-AIDED DESIGN & COMPUTER GRAPHICS, 2007,19(10):1279-1285. (in Chinese)刘宏,李锦涛, 刘群, 钱跃良, 李豪杰.融合颜色和梯度特征的运动阴影消除方法. 计算机辅助设计与图形学学报, 2007,19(10):1279-1285.9 R Cucchiara, C Grana, P Massimo. Improving shadow suppression in moving object detection with HSV color information. IEEE Conference on Intelligent Transportation Systems (USA). 2001: 334-339. 10 T Scott, D H Kenneth. Adaptive shadow identification through automatic parameter estimation in video sequences. IEEE Conference on Machine Vision and Image Processing, Irish 2003: 57-64. 11 GUAN Ye-peng, GU Wei-kang. Automatic and Robust Shadow Segmentation from Two- Dimensional ScenesJ. Acta Electronica Sinica, 2006, 34(4): 624-627.( in Chinese)管业鹏顾伟康. 二维场景阴影区域的自动鲁棒分割,电子学报,2006,34(4):624-627.12 R Cucchiara,MPiccardi,APratiDetecting moving objects,ghosts,and shadows in video streamsJIEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(10):1337-134213 Dong Xu,Xuelong Li,Zhengkai Liu, et a1Cast shadow detection in video segmentation JPattern Recogniti