改进的HSV阴影去除算法研究

引言

近年来，智能视频处理技术在商业、军事和工业领域得到了广泛的应用，如移动视频通信、工业过程控制、自主运载器导航、智能交通、目标检测与跟踪等。其中，在智能视频处理系统中，运动目标检测与分析是后期处理与应用的基础，要把场景中的运动目标从背景中提取出来，常用的运动目标检测算法有帧间差分法、光流计算法、背景差减法等方法。检测运动目标大多采用背景差减法，但是常常由于光线在传播过程中被遮挡，在运动目标附近就会形成阴影，阴影常被误检测为前景。然而，这些前景检测算法都不能将运动目标和运动阴影区分出来。运动阴影严重影响目标分类、识别、跟踪等后续处理。因此，如何准确地检测与分割阴影成了智能视频研究的一个重要课题。

在过去的几十年中，国内外很多研究者进行了深入的研究，提出了各种阴影检测与去除算法。王宏在其硕士论文中对分割目标阴影做了深入的研究，并提出了机遇直方图和聚类技术阴影去除算法、基于色度畸变和局部交叉熵阴影去除算法和多梯度分析与线扫描阴影去除算法，通过实验证明了其提出算法的有效性;刘雪和常发亮等提出了机遇YUV颜色空间色度畸变和一阶梯度模型进行阴影去除的算法，并通过实验证明了其算法具有抗干扰和复杂度低等特点;苑颖、罗青山等提出了一种基于颜色不变形和建立阴影高斯模型的阴影检测和消除算法，其实验证明了其算法的有效性;

但这些算法都具有一定的应用背景，离开这些应用背景就会出现很大的误差，甚至完全不起作用。因此，如何将准确的检测阴影，进行运动运动目标和阴影的有效分割，研究出比较通用的阴影抑制算法，是一个具有很大挑战性的难题。

1HSV阴影去除算法算法

阴影的去除首先是要进行阴影检测，虽然阴影检测对图像理解非常重要，但目前的阴影检测方法都是针对具体的应用环境，还没有形成系统的理论。要得到有效的阴影检测方法还有许多研究工作要做。总体而言。智能视频监控系统中的阴影检测方法可分为两类：一类是基于目标的几何特性，即基于模型的方法；另一类是基于目标阴影的性质，即基于特征的方法。针对运动阴影的消除人们己经提出了很多算法，大体可以分为两类：基于模型的方法和基于特征的方法。基于模型的方法是利用场景中运动目标的光照条件等先验知识建立阴影模型，或者根据阴影和背景像素值的概率特性来建立阴影统计模型，然后把提取出来的前景像素点和阴影模型进行比较，以此判别像素点是否属于阴影区域；基于特征的阴影消除方法直接利用图像的属性来进行阴影消除，一般认为背景在被阴影覆盖前后的一些属性保持不变或者变化细微，这样一种性质可以作为阴影判定的重要依据，其中图像的属性包括亮度、色调、饱和度、梯度和纹理等。

基于特征的阴影去除算法中，利用颜色特征进行阴影去除的基本原理是将运动目标的阴影和背景像素进行色度（H）、饱和度（S）、亮度（V）的比较，通常阴影的色度和饱和度变化不大，但其亮度值变化明显，比背景亮度低。因此，采用HSV颜色空间，一方面是由于HSV比RGB颜色空间更加符合人眼对颜色的感觉，另一方面是针对户外场景，在HSV空间检测亮度和色度变化比在 RGB 空间更为有效。

1.1 RGB 彩色空间转换到 HSV 彩色空间

由于传感器采集到的图像都是 RGB 真彩图像，需要进行RGB 色彩空间到 HSV 色彩空间的转换。转换可用以下公式完成 ：

1.2 HSV色彩空间的阴影消除算法

由于 HSV 色彩空间具有较好的颜色感知的一致性，能够精确地反映一些灰度信息和色彩信息。对于一幅固定参数的摄像机，在普通光照的情况下，所拍摄的图像在这 3 个分量的值并不是总是有用的。由于 V 表示图像的亮度，不管是色彩还是非色彩的情况下，它都能反映出图像的有用信息，所以总会被选作判断的参数，而表示颜色的 H、S 分量随情况有所不同，当色彩 S 低于一定的阈值时，该图像是非色彩的，则色度 H 分量就变得没有用处了，而且由色彩 S 反映的图像的色彩精确度也会随着 V 的降低而降低，因此 S 是用来判断该像素是色彩的还是非色彩的量，而 V 不管在什么情况下都是作为判断的一个重要参数，只有在部分情况下才会考虑 H 分量的值。

通过分析，被阴影覆盖的区域，其亮度的变化比较大，而其色度变化不大。因此结合 HSV 彩色空间的色相、饱和度和亮度三个分量来进行分析，用三个独立分量反映阴影和背景的灰度信息和色彩信息，这些信息的对比作为阴影去除的依据。最后通过以下公式来去除阴影区域。

其中，Ih（x，y），IS（x，y），Iv（x，y）分别表示当前帧图像像素 I（x，y） 的 H、S、V 的 分 量，Bh（x，y），BS（x，y），Bv（x，y） 分 别表示背景图像像素对应的 H、S、V 的分量，HSV（x，y）的值 为 1，则说明为要去除的阴影点，否则不用去除。其中，参数 0<α<β<1，参数 α 取值要考虑阴影的强度，当阴影亮度越强时， α 越小，β 用来增强对噪声点的鲁棒性，避免太多的点检测为 阴影。参数 θS 小于零，参数 θh 的选取则主要凭经验。

1.3 无阈值的阴影消除算法

实验结果表明通过 HSV 颜色空间的阴影去除算法最后得到的阴影去除效果具有不连续性，而且去除得不够完全。

公式（4）需要根据不同的视频环境设置不同参数阈值，而参数阈值的选定需要通过多次实验才能确定，所以在实际的应用过程中存在局限性，通过观察发现，运动目标产生的阴影除了亮度 V 降低外，阴影在 HSV 色彩空间上的三个分量的向量和 H+S+V 比背景的向量和 Hb+Sb+Vb 小，那么，我们就可以通过计算这两者的向量差来达到阴影消除的目的。计算公式如下：

公式（5）中如果 HSV（x，y）的值为 1，则说明为要去除 的阴影点，否则不用去除。

2 实验结果分析

阴影消除算法的对比实验结果如图 1 所示。

测试视频来源于阴影检测视频 Highway-I-raw。图 1(a)、(e) 分别为该视频序列的第 18 帧和第 54 帧的图像。图 1(b)、(f)分别为采用背景减除法提取的运动目标二值化后的图像。图1(c)、(g) 分别为利用HSV色彩空间阴影去除算法得到的图像。图 1(d)、(h) 为本文提出的一种无阈值的阴影消除算法得到的阴影去除的图像。

由于视频有光照的影响，得到的运动目标具有明显的阴影，用 HSV 阴影去除算法对阴影去除并不彻底，去除的阴影有间隔，效果并不明显。本文的算法对于阴影去除效果较为彻底，能将大范围的阴影去除，另外，算法无需阈值的设定，大大减少了工作量，此外本文的算法简单，实时性较好，对实际环境中的阴影消除具有很好的鲁棒性。

3 结 语

本文主要研究了一种阴影去除的算法，通过分析阴影在HSV 色彩空间中的特征来去除阴影，算法考虑参数较多，并且参数之间相互影响较大。为减少算法的复杂度，提出一种无阈值的 HSV 色彩空间的阴影去除算法，与传统的阴影去除算法相比，不需要许多预设的经验阈值，人工干预要求不高，实验证明，算法对于阴影去除效果较为彻底，节省了处理时间，但是在阴影滤波中当前景目标的灰度与背景灰度相近时，阴影灰度范围很难确定，这也是该算法应当改进的地方。

20211118_6195dafdaa01e__改进的HSV阴影去除算法研究