自适应的HSV颜色空间

1、1 引言在智能视频监控、交通监控、或视频会议等很多应用中,必须将运动目标从它的阴影中分离出来。阴影和目标物一样显著区别于背景,和目标有同样的运动规律,使得阴影检测成为一个有待解决的难题。目前阴影检测的方法主要有基于特征的方法和基于模型的方法。基于模型的方法根据有关场景、目标的三维几何结构和光源的已知信息建立一个阴影的统计模型,根据此模型来判别阴影区域,这些信息在实际应用均不易得到,所以这类方法局限性较大,算法的时间复杂度较高。基于特征的方法一般直接采用图像的特征,如亮度、颜色和饱和度等信息进行判断。以往的特征方法集中在RGB空间或HSV空间,计算每个像素点的特征信息,和相应背景点比较,判断是否

2、阴影。现有方法基本上采用固定的阈值进行特征判断,当图像背景发生改变时,缺乏适应性和准确性;另外,绝大部分方法未考虑特征信息的权值,如HSV空间中,H分量、S分量、V分量在实际中权值是不一样的。本文提出一种基于Otsu的自适应的HSV颜色空间阴影检测算法。首先得到前景区域和背景区域的HSV差分图和差分直方图,用Otsu方法确定差分图中目标物体和阴影分离的阈值,再对H、S、V分量进行加权, 从而准确地检测和消除阴影。Otsu方法确定阈值,具有适应性特点,对各分量加权,提高了检测的精度。本文算法的基本结构如图1。得到帧差图像计算HSV各分量差分图与差分直方图Otsu计算S分量阈值Otsu计算V分量阈

3、值Otsu计算H分量阈值HSV各分量加权检测得到阴影检测结果输入图像图 1 本文的算法结构2HSV颜色空间检测阴影首先用帧差法或背景差法取得前景区域,大大减少了处理的像素个数,从而成倍缩短算法处理时间。有关帧差法、背景帧减法和背景更新模型请参考相关文献。然后,计算前景区域和相应背景区域的HSV各分量的差,通过差值来检测阴影。前人所用到的阈值获取方法均来自实验结果,并不具有适应性和精确性。2.1 颜色空间转换由于一般视频采集卡得到的帧图像采用RGB颜色模型,因此需要把RGB模型转换成HSV颜色空间模型,具体算法如下:V = (R+G+B (1S = 1 - minR,G,B (2其中R B或G

4、B。式(1中V分量计算过程实际上是对彩色图像进行灰度化的过程,为了在视觉上更接近人的主观感觉,通常给RGB分量各自增加一个加权系数,然后求其和:V = 0.229*R+0.587*G+0.114*B (42.2基于色度信息的阴影检测与背景相比较,阴影区域的色度信息不变或只有轻微变化,利用HSV颜色空间的色度信息,认为色度变化很小的区域可能为阴影,基于色度的阴影检测为1 | (x,y - (x,y< (x,y=0其它2.4 基于饱和度的阴影检测目标投射到背景点会引起背景点在饱和度上较大的变化,而阴影则不会使背景点的饱和度有明显变化。因此,和背景点的S值在范围内的前景点就被认为是可能的阴影点

5、,基于饱和度的阴影检测为1| (x,y- (x,y| <(x,y=0其它2.4基于亮度信息的阴影检测由于阴影覆盖区域的亮度值比背景相应区域的亮度值要低,因此当前帧和背景帧亮度差分为正数的像素不可能是阴影,若前景像素亮度值比背景像素点的亮度值低于一定值时,则认为该像素点可能为阴影1 (x,y- (x,y < (x,y=0 其它3最大类间方差确定分割阈值基于HSV颜色空间的阴影检测中,一个难点是阈值、和的确定。常用的图像阈值确定方法有:最大熵法、双峰法、Otsu法、矩量保持法、梯度统计法。其中,Otsu自适应阈值法作为图像阈值分割的经典算法,在图像处理领域得到了广泛的应用。最大类间方差

6、法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称Otsu。它的基本原理如下:设原始灰度级为M,灰度级为i的像素点个数为,则总的像素数为:N = + +对灰度值进行归一化:= /M设分割阈值为t,刚将灰度分成两类:=(0,1,2,t;=(t+1,t+2,M。每一类出现的概率为:= 和= =1-每一类的平均灰度为:= /=( - /(1- 其中:=则类间方差定义为:= *( - + *( - = * *( - 在1到M之间改变灰度值,使得灰度为时,最大,则将作为最佳分割阈值。Otsu是基于图像直方图一阶统计特性的,具有运算简单、速度快等优点。更详细的理论及原理参

7、见文献。4改进的HSV颜色空间阴影消除针对传统方法中用实验获取阈值导致阴影检测不准确的缺点,本文提出一种自适应的阈值选取方法。首先得到HSV差分图。然后在差分图上采用Otsu方法分别得到阴影和目标的H、S、V各分量的分割阈值,再对各分量进行加权。4.1 H分量分割阈值的自动选取如图2(a,H分量差分图中,人体区域大部分比较亮,即人体像素与相应背景像素值的差相对较大;而阴影区域呈现较暗,阴影区域像素与相应背景像素值的差相对较小,图2(b中表现为峰值2181附近,像素较多。图2 H分量差分图和直方图如图3(b,在区间1,24上,像素数量很多,而在24,254间的数量相对比较少,结合图2可以看出,H

8、分量差分直方图有个突变的过程,可把这个突变值作为H分量分割阈值。运用Otsu方法确定这个突变值。图3 H分量差分直方图局部放大图4.2 S分量分割阈值的自动选取如图4(a,阴影区域较人体区域要暗,即阴影区域与相应背景区域像素的S 分量相差较小,对应于图4(b中第一个峰值附近区域,而人体区域的差分图颜色较亮,对应第二个峰值附近区域。找到这两个峰值的最佳分割阈值,便是S分量阴影分割的最佳阈值。同样采用Otsu方法确定阈值。图4 S分量差分图和直方图4.3V分量分割阈值的自动选取如图5(a,人体区域和阴影区域呈现明显的亮度差异,人体区域明显较亮,而阴影区域相对要暗。即阴影区域与相应背景区域像素的V分

9、量相差较小。图5(b中,V分量直方图存在两个峰值,分别对应阴影区域和人体区域。同样采用Otsu方法找到这两个峰值的最佳分割阈值,便确定了V分量阴影分割的最佳阈值。图5 V分量差分图和直方图4.4 H、S、V分量加权检测阴影根据以上方法进行各分量独立检测阴影,分别得到结果如图6。图6 HSV各分量的阴影检测结果如图6所示,HSV各分量的阴影检测效果不尽相同,故需要对各分量进行加权。在这个场景中,H分量过分分割最严重,即Otsu方法得到的阈值比最佳阈值要大,所以权系数相对较小;S分量其次;V分量效果最好,权系数较大。本文采用实验的方式得到某一场景各分量的加权系数。5实验结果与分析综合上述方法,设计

10、算法进行实验,得到阴影检测结果,如图7。对比(a和(b,H分量权值较大,会导致明显的过分分割,而(b又阴影消除不足,调整S和V权值,得到较满意的结果(c。这也验证了4.4节的分析。图7 HSV加权阴影检测与消除结果运用同样的方法,对其它场景进行了实验,得到了满意的结果,如图8和图9。图8 场景二的阴影检测与消除结果图9 场景三的阴影检测与消除结果6 结论通过对HSV颜色空间中各分量的差分图和差分直方图进行分析,运用Otsu方法自适应地确定各分量的阴影分割阈值,增加了算法的准确性、普遍性和适应性。而Otsu方法本身具有时间复杂度低的特点,因此大大减少了算法的运行时间。对各分量进行加权,提高了阴影

11、检测的精度。实验证明本文提出的方法是有效、可行的,且易于工程实现。参考文献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 贾云得.机器视觉(图象图形科学丛书.科学出版社. 2003:1551573 HAO Ying-ming, ZHU Feng. Fast Algorithm for Two-dimensional Otsu Adaptive ThresholdAlgorithmJ. Journal of Image and Graphic