毕业设计（论文）-多功能路灯控制器.doc

扬州大学本科生毕业设计多功能路灯控制器摘 要随着我国经济高速发展，人民生活水平日益提高，能源和资源变得日益紧张，电力短缺已成为制约国民经济发展的突出矛盾。目前我国照明消耗的电能约占电力生产总量的10%20%，而城市公共照明则在照明耗电中占30%，并且近几年随着让城市亮起来的口号的提出，全国路灯的数量仍在迅猛地增长。公共路灯节能的口号便由此而提出。通常的节能途径有两个：一个是采用节能光源；二是采用合理的控制系统。在供电系统中，为避免送点过程中的线路损耗和用电高峰时造成末端电压过低，供电部门均采用较高电压进行传输。因此路灯承受电压多高于灯具的额定电压。然而据调查我国小型城市晚上21:00后，大中城市00:00以后道路上几乎空无一人。从而造成了“人少车稀灯更亮”的不合理情况。为了避免这种情况，大多数城市和地区均采用了发达国家早已淘汰了的隔盏关灯的原始路灯控制方法。日本大藏省曾要求在工厂、办公室和道路上进行间隔电灯的实验，结果导致生产率和办公效率降低以及治安和道路交通事故的大幅上升，这种方法不仅导致路面照度分布不均，而且会减少路灯使用寿命。不到一年的时间，这种方法就在一片反对声中放弃。因此，城市的路灯照明工程是构建良好城市环境和树立城市形象的重要组成部分，对城市的建设和发展有着重要的意义。总之，随着城市规模的不断扩大，现有的路灯管理方法已远远不能满足城市路灯发展和管理的需要，必须依靠现代化的高科技管理手段进行改造。路灯管路工作需要一个以环境照度监控为核心的自动化的管理手段来替代传统的钟控，并结合普通的路灯监控系统是整个城市照明监测，决策和管理工作变得智能化。因此，现代化光控型“路灯自动控制系统”已迫在眉睫。关键词：车辆检测，视频序列，背景提取，阴影消除The Research of Vehicle DetectionBased on Video FrequencyAbstractIn recent years, accompanied by social and economic development, the road transport has been developed rapidly, resulting in a relatively complex traffic environment. In order to solve the problems which are caused by the development of ground traffic, intelligent transportation system has been referred to an important position. Traffic information detection technique based on video is widely concerned in recent years, because of its wide detection range, rich collection information and easy installation and maintenance. Moving vehicle detection and tracking are the key techniques in traffic information collection and detection system.The background subtraction is an important approach in video-based vehicle detection. The approach segments moving vehicles in the cameras field-of-view through the difference between a reference frame, called referenced background image, and the current input frame. In the process of video obtaining, outside environment variation such as little dithering of vidicon, slow variational daylight and the sway of tree will affect the precision of moving target detection. Aiming at this problem, the paper presents a method of background reconstruction, in which there are moving targets in scene. The background can be dynamicly updated. It can decrease the influence of outside environment variation and shorten the time of measurement. And then the new background is used to get the binary image. After using connected component labeling to process binary image, moving target is detected. Shadow of vehicle is mistaken for target because of the influence of illumination and lighting equipment, an improved algorithm is put forward to remove shadow. The experiments show that the proposed algorithms detect vehicles precisely and shorten the time of measurement which has high practical value.Keywords：Vehicle Detection ，Video Frequency ，Background Extraction，Shadow Removal目录1.绪论11.1课题背景及研究意义11.2国内外的研究现状11.3论文的主要内容22.基于视频图像的车辆检测42.1视频图像序列采集42.2运动目标检测常用算法42.3车辆目标检测算法52.3.1重建背景帧62.3.2图像滤波82.3.3阈值分割112.3.4形态学处理152.3.5连通区域标记及区域填充182.3.6车辆目标检测结果193.阴影检测与去除213.1色彩空间简介213.1.1颜色模型213.1.2 RGB颜色空间213.1.3 HSV颜色空间223.1.4 RGB模式转换到HSV模式233.2阴影检测243.2.1阴影简介243.2.2 阴影检测算法243.3 阴影检测结果26结束语27致 谢28参考文献29获奖情况311.绪论1.1课题背景及研究意义随着我国经济的发展和汽车的普及，道路交通和车辆运输发展的越来越快，汽车成为了我们生活中不可或缺的一部分。汽车的发展是一把双刃剑，我们在享受它带来的便利的同时也不能忽视它带来的一些问题。由于汽车数量的急剧增加，道路交通问题日益恶化，车辆拥挤，交通事故频发，交通环境恶化，能源紧张，环境污染不断加重。在这样的背景下，我们要运用各种高新技术，把车辆和道路综合起来考虑，系统地解决道路交通问题，因此智能交通系统随即出现。在智能交通系统中，高效准确的交通路况信息采集技术，可以有效的实现城市交通管理的智能化，以及交通管制策略的合理有效性，所以交通信息采集设备的研究开发十分重要。智能交通系统是指应用计算机视觉技术和视频处理来自动分析交通条件，即使用计算机图像处理的方法，对摄像头采集到的视频图像序列进行分析，检测出背景图像中的前景运动目标，并对目标的运动轨迹进行跟踪，分析评估目标物体的行为，从而获得更高阶的图像信息。智能交通系统中最关键的技术就是对前景运动目标的检测与跟踪，它决定了系统的整体性能与实用价值，随着智能交通系统的实时性与准确性的不断提高，其应用范围也将越来越广泛。1.2国内外的研究现状视频检测和监控技术的应用始于二十世纪七十年代末1。在美国联邦公路管理局的资助下，加州Jet Propulsion实验室从1978年开始尝试使用视频技术来检测车辆的运行，并取得了初步的进展。此后，在1996年至1999年间，美国卡内基梅隆大学、戴维SARNOFF研究中心等几家著名研究机构合作，联合研制了视频监视与监控系统VSAM2。欧美其它国家及日本等国相继展开了对视频检测技术的研究，一些视频检测系统也应运而生，法国的Citilog、比利时的Trafieon、西门子的ARTEMIS、美国ITERIs公司的Vaniage都是目前主流的视频检测系统，在国内外都占有一定的市场份额。在国内，由于基础技术相对薄弱，视频检测和监控技术的研究滞后于国外。但不少公司在这方面做出了许多努力，如清华紫光与清华大学合作开发的新一代视频交通流量检测系统VS3O01，深圳神州交通系统有限公司开发的Video Trace，厦门恒深智能软件系统有限公司开发的Head sunsmart Viewer11视频交通检测器等。但是这些产品大多功能单一，与国外的同类产品相比，还有一定的差距。视频检测技术也有其局限性。视频图像中包括了大量的各种类型的复杂目标，例如，有些目标物体是迅速移动的，有些却是静止的，有些情况是摄像头和物体都是移动的；物体之间的遮挡有时比较严重，背景和光线等又随着天气、季节的变化而受到影响3。归纳起来，目标检测与跟踪难点主要在于以下几个方面:(l)复杂多变的运动目标。在一个场景中,常常有不同类型的目标物体，例如道路上有车辆、行人等运动目标以及黄白线等交通标志出现，这样就导致路面的灰度值不一致。而且，物体的运动速度也是多变的，在复杂的场景中，高速运动的物体和静止的物体常常同时存在，并且物体的运动速度也时刻在改变。(2)复杂背景和变化背景。背景的复杂程度影响对运动物体检测的难度，例如道路上的静态交通标志。另外，一些动态的目标，如摇晃的树枝和天线等也会误检为车辆目标。(3)阴影问题。由于光照，运动物体自身的阴影以及其它背景的阴影都会对物体的检测产生影响。(4)遮挡问题。运动物体的相互遮挡增加了运动物体的准确检测的难度，尤其是在拥挤状态下，多目标的检测与跟踪更是难于处理。(5)摄像头移动的问题。在摄像头移动的情况下，背景和运动车辆都存在不同程度的运动，此时，很难准确检测出运动车辆。因此，如何减少这些因素对检测结果带来的影响，提高视频检测的准确率，成为了视频检测领域研究的重点与难点。1.3论文的主要内容运动车辆的检测是智能交通系统的重要组成部分，本文的主要任务是以采集得到的视频序列图像为研究对象，了解现有的一些方法，在这基础上对视频车辆检测方法中的关键技术进行了深入的研究，得出具有一定应用价值的方法，其中最核心的部分是背景的重建和差分以及阴影的消除。本文具体章节安排如下：第1章，绪论，本章介绍课题的研究背景及意义，国内外研究现状，以及论文的主要内容和结构安排。第2章，视频车辆检测。本章在已有的背景提取和更新方法的基础之上，采用良好的背景重建方法，再通过背景相减法、图像滤波、自适应阈值分割方法及形态学操作等检测出运动车辆目标，并且尽可能滤除噪声，提高检测的准确率。第3章，阴影检测与去除。本章介绍了RGB和HSV颜色空间和两者之间的转换方法，以及基于HSV空间的阴影检测算法，并消除了阴影。2.基于视频图像的车辆检测2.1视频图像序列采集数码照相机是比较常见的视频采集工具。本文采用索尼数码照相机采集视频，将采集到的视频输入电脑，并用matlab程序将连续的视频文件按帧剪切到静态图像。我们知道天气的变化对视频采集也有所影响。如图2-1所示，其中a为正常情况下采集的视频，b为恶劣条件下（下雨且光线较暗）采集到的视频。a比较理想视频序列 b恶劣条件下视频序列图2-1视频序列图像2.2运动目标检测常用算法目前最为成熟且应用最多的运动目标检测方法主要有以下三种:光流法、帧间差分法和背景差分法。1.光流法4：基于光流方法的运动目标检测，采用了运动目标随时间变化的光流特征，它的优点是能够检测独立运动的对象，不需要预先知道场景的任何信息，但由于噪声、多光源、阴影、透明性和遮挡性等原因，使计算出的光流场分布不是十分可靠和精确；而且，多数光流法计算复杂、耗时长，除非有特殊的硬件支持，否则是很难实现实时检测56。故本文不采用该方法。2.帧间差分法7：帧间差分法是在运动目标检测中使用最多的一类算法。基本原理是将前后两帧图像对应像素值相减，在环境亮度变化不大的情况下，如果对应像素值相差很小，可以认为此处目标是静止的，如果对应某区域像素变化很大，可以认为这是由于图像中运动目标引起的，将这些区域标记下来，就可以求出运动目标在图像中的位置，文献8中用该方法提取运动目标。这种方法有两个缺陷：1)两帧图像差分时的阈值选取是预先给定的而无法自适应选取。2)对进行差分的连续帧的选取要求很高，背景最好绝对静止，或者基本无变化，并且依赖于物体的运动速度。如果物体运动速度很快，而选取的时间间隔较大，就会造成两帧之间没有覆盖区域，从而无法分割出运动物体；但是如果运动速度过慢，且选取的时间过小就会造成过度覆盖，轻者使检测出的物体出现空洞，而得不到完整的物体，最坏的情况是物体几乎完全重叠，根本检测不到物体。所以，本文也不采用该方法。3.背景差分法9：背景差分法是目前运动车辆分割中最常用的一种方法，它的基本思想是将输入图像与背景模型进行比较，通过判定灰度等特征的变化，或用直方图等统计信息的变化来判断异常情况的发生和分割运动目标。该方法比较简单，所得结果直接反映了运动目标的位置和形状。文献10中介绍了背景差分中背景模型提取的几种方法，如时间平均法，基于单高斯模型的背景提取法，基于多高斯模型的背景提取法以及基于像素归类的背景重构法，这些方法都有各自的优缺点，要根据实际情况选择适当方法。2.3车辆目标检测算法通过比较上述方法的优缺点之后，本文决定采用基于背景差分的车辆检测方法，其整个过程如图2-2框图所示。 图2-2 背景减法检测车辆流程2.3.1重建背景帧 因为背景受天气、光照变化的影响不可能完全不变，只利用背景差分法不具有实时性，所以我们要重建一个实时的背景。又由于交通场景不可能完全静止，因此从视频中提取出来的序列图像通常都含有运动车辆或行人，如果仅仅利用单帧的信息容易产生错误，这就要通过视频序列的帧间信息来恢复背景。如何从序列图像中重建背景是本文基于背景差分法检测车辆的一个重要问题。因为摄像机固定，所以背景图像相对于前景图像来说变化比较缓慢，也就是说背景像素点的灰度值变化比较缓慢，而运动目标对应的像素点灰度值变化相对较快。根据这一特点，每一幅图像我们可以把它划分为两种区域：一种区域由灰度值变化较小的像素点构成，称为背景区域；另一种区域由灰度值变化较大的像素点构成，称为运动变化区域。首先，每隔一段时间采集一帧图像，设t时刻采集到的视频帧为，t+1时刻采集到的视频帧为，为像素坐标，然后运用帧间差分法将所获得的图像进行两两相差，差值大于一定的阈值就认为是运动物体，小于阈值的可认为是背景。再将各帧中的背景像素点的灰度值取平均值得到干净的背景帧。具体处理过程如下：设和为采集来的两帧视频图像，运用帧间差分法对这两帧图像进行差分处理，作差分的量可以是亮度、色度、灰度值或其它的参数值，本文采用灰度值进行差分，检测规则如下：如果 则 如果 则 将处理后的每个像素点灰度值相加，再除以检测为属于背景的次数，这个值就是该点的背景像素的灰度值。程序如下： clear all video = mmread(F:mvMOV01498.mpg,201:500); bg=video.frames(20).cdata;bg_bw = rgb2gray(bg); thresh = 15; fr_size = size(bg); width = fr_size(2);height = fr_size(1);fg = zeros(height, width);for i = 21:51;fr = video.frames(i).cdata; fr_bw = rgb2gray(fr); fr_diff = abs(double(fr_bw) - double(bg_bw); for j=1:width for k=1:height if (fr_diff(k,j) i=imread(cmj1.bmp); % 迭代分割 tmin=min(i(:); tmax=max(i(:)； th=(tmin+tmax)/2; ok=true; while okg1=i=th;g2=i=1;th=thnew;end th=floor(th); j=im2bw(i,th/255); figure(1); imshow(i); figure(2); imshow(j); i=imread(cmj1.bmp); % Otsu法 th=graythresh(i); j=im2bw(i,th); th=255*th; imshow(j);(5) 实验结果对上述各阈值算法进行仿真，结果如图2-7所示，仿真软件采用Matlab 2010，实验结果表明，双峰法分割出的二值图像不如迭代法和最大类间方差法好。此处虽然迭代法和最大类间方差法差不多，但是对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地获得满意结果。但是对于直方图双峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如最大类间方差法。所以，Otsu法的分割结果较为理想。 (a) 原始序列 (b) 双峰法 (c) 迭代法 (d) Otsu法图2-7几种阈值分割比较2.3.4形态学处理通过Otsu法进行阈值分割以后，我们可以得到含前景车辆目标的二值图像，但是这样的图像并不是最终结果，因为图像中除了要检测的目标以外，往往还有其它一些小碎块，而且我们还能发现图2-7（d）中目标的边缘不连续，以上问题可以通过数学形态学处理达到满意的效果，一般的形态学处理有膨胀、腐蚀、开运算和闭运算16，可以达到进一步去噪的效果。(1)膨胀运算膨胀是对二值图像的物体边界点进行扩充，达到“加长”或“变粗”的效果，它将与物体接触的所有背景点合并到该物体中，使边界向外部扩张，同时内部又保留的过程。若A、B为Z中的集合，为空集，A被B膨胀，记为，为膨胀算子，则膨胀可定义为： (2.12)(2) 腐蚀运算腐蚀在数学形态学中的作用与膨胀正好相反，它是一种消除边界点，使边界向内部收缩的过程，腐蚀可以用来消除小且无意义的物体。若A、B为Z中的集合，则A被B腐蚀记为，定义为： （2.13）腐蚀运算的过程为：结构元素B移动后，结构元素仍在集合A中的参考点的集合。(3) 开运算和闭运算一般情况下，膨胀运算和腐蚀运算不为互逆运算，可以级联使用。将膨胀运算和腐蚀运算进行简单的组合，可以得到形态学中的开运算和闭运算。先腐蚀后膨胀为开运算，开运算一般能够平滑图像的轮廓，减弱狭窄的部分，去掉细的突出；先膨胀后腐蚀为闭运算，闭运算也能平滑图像的轮廓，但与开运算相反，它一般熔合窄的缺口和细长的弯口，去掉小洞，填补轮廓上的缝隙。开启运算符为“”，其定义为： (2.14)闭合运算符为“”，其定义为： (2.15)本文利用Matlab2010软件，对初步检测出的目标分别进行了膨胀、腐蚀及开启闭合运算，程序如下：j=imread(cmj2.bmp); % 二值图像的膨胀se=strel(diamond,1); im2=imdilate(j,se); figure(1); imshow(j); figure(2); imshow(im2); i=imread(cmj2.bmp); % 二值图像的腐蚀 se=strel(disk,1); im2=imerode(i,se); figure(1); imshow(i); figure(2); imshow(im2);I=imread(cmj2.bmp); % 开运算Se=strel(diamond,1);im2=imopen(I,se);imshow(im2);I=imread(cmj2.bmp); % 闭运算se=strel(diamond,1);im2=imclose(I,se);imshow(im2);实验结果如图2-8所示。图2-8(a)为初步检测结果，(b)为膨胀的结果，(c)为腐蚀的结果，(d)为开运算结果，(e)为闭运算结果。图中可以看出，经过适当的将膨胀与腐蚀级联，即闭运算后，车辆的轮廓得到较好的补充，如图中(e)所示。 (a)初步检测结果 (b)膨胀结果 (c)腐蚀结果 (d)开运算结果(e)闭运算结果图2-8 数学形态学处理结果2.3.5连通区域标记及区域填充在复杂场景中，可能不止存在一个目标，因此，在检测的时候需通过连通域的识别过程将各个运动目标标记出来，即将属于同一目标的所有像素用唯一的标记值标记17。连通单元标记的具体算法步骤如下：(1)对一幅二值图像从左到右，从上到下进行第一次扫描；(2)一般有四连通和八连通的区域标记。此处采用八连通区域标记法来对二值图像进行标记，可以得到各个连通单元分别被赋予不同标记的 “黑白”图像。如图2-9所示，中间像素(x,y)为当前被扫描像素，0，1，2，7为与它相邻的8个像素。2341（x,y）5076图2-9八连通示意图若检测到像素的灰度值为1，说明该像素与之连通，标记为1，再检测下一个，直至检测到像素为0-1跳变时，说明此像素与之不连通，建立一个新标记。直至检测完为止。111112222222233333333444444444 图2-10连通单元标记示意图(3)对已标记的图像进行第二次扫描，分别计算出各连通单元的面积大小。以阈值th作为检验阈值，若某一连通单元面积大于该阈值，则说明是目标车辆，将其保留；若小于该阈值，则把其当误判区域去除。经过上述步骤后，就完成了连通区域的标记，也识别出了车辆目标的“黑白”图像，如图2-10所示，图中分别用1，2，3，4标记四个连通区域。通过以上区域标记后运动目标内部可能存在“空洞”，可通过以下区域填充操作获得目标对象。首先，指定一个背景点作为起始点，利用连通区域算法，在灰度图像中将被较亮区域围绕的黑暗区域的灰度值设置为与围绕区域的像素值相同的数值。通过填充操作可以去掉没有连接到边界的一些零碎的值，这个操作对于删除图像中的人工痕迹非常有用，能提高检测的质量。2.3.6车辆目标检测结果本文基于Matlab平台，对多种情况下的视频序列图像进行了测试，图2-11给出的是基于本文算法的车辆目标检测结果，在此基础上，可以方便的对车辆目标进行跟踪、识别、流量统计等。 (a)背景 (b)含目标序列 (c)检测车辆图2-11运动车辆检测结果3.阴影检测与去除 由于运动目标之间的遮挡和光照的不均匀等原因，经常产生阴影现象。在运动目标检测过程中，由于车辆阴影的特征明显区别于背景，而又和车辆目标有着相同的运动特征，这样导致运动阴影很容易被误判为运动目标，对后续的目标检测、车辆跟踪和识别带来很大误差，造成严重的负面影响，使系统的整体性能下降。一般来说阴影的存在会使多个目标粘连，使其误判为一个目标；还会使目标形状失真，给后续基于形状的车辆跟踪算法带来困难；另外如果当运动目标的阴影把另一个目标完全覆盖时，就会造成漏检。因此，有效的去除阴影是车辆检测中十分重要的一步。目标的阴影检测方法有很多，有基于RGB颜色空间的检测方法，基于HSV颜色空间的检测方法，首先了解下什么是色彩空间。3.1色彩空间简介3.1.1颜色模型眼睛是人类视觉的重要组成部分，人的眼睛可以辨别几千种不同的颜色，却只能分辨二十几种不同深浅的灰度，因此在图像处理中可以采用彩色来处理图像。颜色有三个重要特征。色相是色彩的首要特征，是区别各种不同色彩的最准确的标准，如红、橙、黄、绿、蓝、紫等。色调是颜色的重要特征，它代表着某种颜色的性质和特点，由波长决定，不同波长产生不同的颜色感觉。色调可以指色彩的明暗度又可以指色彩冷暖度。饱和度是与颜色相关的第三个重要属性。饱和度是指色彩的鲜艳程度，也称色彩的纯度。饱和度取决于该色中含色成分和消色成分(灰色)的比例。含色成分越大，饱和度越大；反之，消色成分越大，饱和度越小。根据颜色感知的角度来分类，颜色空间可以分为如下3类:混合型颜色空间，如RGB，CMK等;强度/饱和度/色调型颜色空间，如HSV，HSL等;非线性亮度/色度型颜色空间，如YUV。下面介绍常用的色彩空间。3.1.2 RGB颜色空间RGB(Red红，Green绿，Blue蓝)颜色空间被称为与设备相关的色彩空间。RGB颜色模型对应笛卡儿坐标系中的一个立方体，如图3-1所示，R、G、B分别代表3个坐标轴，当R、G、B的数值都取O时，表示是黑色，即坐标原点处，归一化后若R、G、B都取1，表示是白色。当R、G、B取介于0和1之间的值的任意组合可以得到不同颜色，因此R、G、B也称为三原色。RGB色彩空间物理意义清楚，常应用于彩色显象管、图像采集设备中，是最常见且应用最广的色彩空间。一般情况下，都是以RGB色彩空间为基础来描述其它类型的色彩空间，将其它色彩空间的基色描述为RGB三基色的线性或非线性函数。RGB颜色空间最直观的优点就是简单，易于理解。只要有R、G、B三原色的组合就可以构成其它的任何颜色，并且很重要的一点是如果其他的颜色空间要想在显示器上显示就必须转换为RGB颜色空间。但是由于在RGB颜色空间中合成图像的饱和度偏低，色调变化不大，使得合成图像的视觉效果不是很好，人眼不能直接感觉，所以一般不直接用RGB模型。3.1.3 HSV颜色空间HSV表示色调（Hue）、饱和度（Saturation）和值（Value）。HSV颜色模型和HIS颜色模型近似，但比HIS颜色模型更与人类对颜色的感知接近。HSV模型的坐标系统一般用六棱准来表示，如图3-2所示，H表示色彩信息，及所处的光谱颜色的位置，该参数用一角度量来表示，红，绿，蓝分别相隔120，互补色分别相差180。饱和度S为一比例值，范围从0到1，它表示所选颜色的纯度和该颜色最大的纯度之间的比率。S=0时，只有灰度。V表示色彩的明亮程度，范围从0到1。有一点要注意：它和光强度之间并没有直接的联系。 图3-1 RGB颜色模型 图3-2 HSV颜色模型在HSV颜色空间中，利用色度、饱和度和亮度三方面的信息建立背景模型，对阴影进行检测和识别；在RGB颜色空间中，用矢量来表征象素点，并以当前图中的象素点矢量与对应的背景点矢量相减得到能表征亮度和色度的彩色模型，并在此基础上建立背景模型。由于摄像头获取的大多是RGB图像，所以首先要将RGB转换成HSV空间中。3.1.4 RGB模式转换到HSV模式对于任何3个0,1范围内的R、G、B值，其对应HSV模式中的V、S、H分量可由下列公式计算： (3.1) 由上式计算的0,1之间的R、G、B值，当S=0时，对应于无色中的点，此时H为0；当V=0时，S、H也没有意义，取为0。基于上述转换方法，本文对获取的视频序列图像进行了RGB空间到HSV空间的转换，得到结果如图3-3所示。 图3-3 RGB空间到HSV空间转换3.2 阴影检测3.2.1阴影简介由于光线被物体遮挡，而在背景中形成一块无法被光线照射到的区域，即阴影18。阴影按照形成原因不同可以分为两类:一类是物体自身由于没有被光源照射到而形成阴影，叫做自身阴影(SelfShadow);另一类，物体按照光线的照射方向投射产生的阴影，称为投射阴影 (CastShadow)。投射阴影又进一步分为暗影（umbra太阳光被物体完全遮挡形成暗影）和半影（penumbra太阳光没有被物体完全遮挡形成半影）9。暗影相对半影像素值高，容易被检测到，但同时也更容易被误判成为运动目标。所以，在智能交通监测系统中，一般都是针对暗影进行检测。3.2.2 阴影检测算法本文主要利用阴影的光学特性，并结合纹理特征，采用区域生长的方法来检测阴影。1.阴影的光学特性阴影往往比背景和目标暗，且其颜色和纹理随时间变化不大。实际的视觉经验告诉我们：在一定的亮度条件下，同一物体在阴影区内和不在阴影区内的色调是近似一致的，以RGB彩色空间为例，如果均匀成比例的