基于正交分解和em算法的陰影檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機(jī)視覺及圖像處理領(lǐng)域，具體地說是基于正交分解和EM算法的 單幅室外圖像的陰影檢測方法。
【背景技術(shù)】
[0002] 作為自然界中普遍存在的一種物理現(xiàn)象，陰影給計算機(jī)視覺任務(wù)帶來諸多不利影 響。陰影的覆蓋會造成圖像模糊、破壞灰度值的連續(xù)性，進(jìn)而影響著邊緣檢測、物體識別、W 及影像匹配等算法的魯棒性，對后續(xù)的圖像分析和理解帶來極大的干擾。根據(jù)所使用的圖 像數(shù)量，陰影檢測可W分為基于多幅圖像的方法和基于單幅圖像的方法。目前，國內(nèi)外很多 學(xué)者對圖像序列中的陰影進(jìn)行了比較深入的研究，提出了很多有效的算法，送些方法在視 頻監(jiān)控和車輛追蹤等領(lǐng)域得到了廣泛的應(yīng)用。而單幅圖像由于所包含的信息較少，其陰影 檢測一直是該領(lǐng)域的難點和研究方向。
[0003] 從陰影檢測技術(shù)特點來說，單幅圖像陰影檢測算法大致分為兩類；基于物理模型 的方法和基于陰影特征的方法。其中基于模型的方法是指利用場景、運動目標(biāo)、光照條件等 方面的先驗信息，建立陰影模型，如Retinex模型，及基于Retinex模型的相關(guān)改進(jìn)方法等。 基于物理模型的方法一般需要一些先驗知識，如有關(guān)光源和物體的幾何關(guān)系、相機(jī)標(biāo)定等。 送類方法通常具有比較嚴(yán)密的理論推導(dǎo)，但同時也有較大的局限性，尤其在背景復(fù)雜、光照 條件較差的條件下，模型的復(fù)雜度W及建模時間都會迅速增加，難W滿足實際工程的需要。 基于陰影特征的方法是利用陰影和背景的特性進(jìn)行檢測，如亮度差、紋理、顏色比率、邊緣 梯度、賭等。該類算法常常只考慮目標(biāo)陰影單個特征的區(qū)別，檢測效率不高。如很多算法利 用陰影區(qū)域亮度比周圍區(qū)域亮度要低的特征進(jìn)行陰影檢測，但是較暗的區(qū)域不一定就是陰 影；也有算法單純借助色度不變性進(jìn)行檢測，但當(dāng)陰影顏色比較深的時候，利用色度不變性 就無法檢測出陰影。近幾年來，基于統(tǒng)計學(xué)習(xí)的多特征陰影檢測算法受到了越來越多的關(guān) 注，該算法具有更好的通用性和魯棒性，但他們往往需要復(fù)雜的學(xué)習(xí)過程，算法數(shù)據(jù)計算 量大，耗費時間多，難W應(yīng)用到實時場合。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對上述現(xiàn)有技術(shù)的一些不足，提出一種基于正交分解和EM算法的單幅 室外圖像的陰影檢測算法，該方法既不需要復(fù)雜的統(tǒng)計學(xué)習(xí)過程也不需要場景、目標(biāo)等先 驗知識，提高了陰影檢測算法的實時性和普適性。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：基于正交分解和EM算法的陰影檢 測方法，對原圖進(jìn)行正交分解，并利用EM算法對分解后的圖像進(jìn)行高斯混合建模，求解陰 影區(qū)域；具體包括W下步驟：
[0006] 1)利用原始圖像中陰影區(qū)域內(nèi)外的線性模型建立線性方程組；
[0007] 2)對該線性方程組進(jìn)行正交分解得到一幅彩色光照不變圖像和一幅光照變化圖 像；
[0008] 3)對彩色光照不變圖像采用K-means算法進(jìn)行分類；
[0009] 4)根據(jù)分類結(jié)果對光照變化圖像采用EM算法進(jìn)行高斯混合建模，提取陰影區(qū)域；
[0010] 5)最后采用形態(tài)學(xué)算子對提取的陰影區(qū)域進(jìn)行優(yōu)化。
[0011] 所述對該線性方程組進(jìn)行正交分解得到一幅彩色光照不變圖像和一幅光照變化 圖像具體為：
[001引對該線性方程組進(jìn)行正交分解U = Up+au。，得到彩色光照不變圖像Up和光 照變化圖像 α，并滿足 Au。= 0，I IU。I I = 1，α e R, Up 丄 U。；
，.
，護(hù)出，6,8}，向為線 性模型參數(shù)；u為線性方程組的任意解。
[0013] 對彩色光照不變圖像采用K-means算法進(jìn)行分類具體為：采用K-means聚類算法 將彩色光照不變圖像中反照率一致的區(qū)域判為一類，最后得到多個類。
[0014] 所述根據(jù)分類結(jié)果對光照變化圖像采用EM算法進(jìn)行高斯混合建模包括W下步 驟：
[0015] 將多個類中的每一類利用EM算法進(jìn)行高斯混合建模：
[0016] 4. 1)用K-means算法對光照變化圖像中屬于當(dāng)前類S的像素進(jìn)行初始分類，分類 類別為K = 2 ;
[0017] 4. 2)根據(jù)分類結(jié)果得到EM算法的初始參數(shù)；
[001引 4.扣計算光照變化圖像中像素點α (X)屬于第i類高斯分布的概 率：
[0019]
巧)
[0020] 其中K是分類類別，4和^是混合參數(shù)，分別代表第i、j類高斯分布的所占權(quán)重， 苗基和爲(wèi)分別是第i類的高斯均值和協(xié)方差，始和分別是第j類的高斯均值和協(xié)方差， i, j = 1. . . K ；
[0021] 4. 4)更新參數(shù)值：
[0022]
第i類的樣本數(shù)，N是當(dāng)前類區(qū)域中的總像素數(shù)；返回步驟4.3)，將片:;，瑪、< 代入到公式 (7)，直到滿足收斂條件。
[0023] 所述提取陰影區(qū)域具體為；如果兩類高斯分布的均值差位于設(shè)定值范圍內(nèi)，則認(rèn) 為各類像素集是同一材料在不同光照條件下生成的，并將均值小的一類區(qū)域判為陰影并提 取。
[0024] 本發(fā)明具有W下有益效果及優(yōu)點：
[0025] 1.本發(fā)明采用簡單的正交分解和EM迭代算法提取陰影區(qū)域，不需要復(fù)雜的特征 算子學(xué)習(xí)過程，大大的降低了算法的時間復(fù)雜度，可直接應(yīng)用到實時場合。
[0026] 2.本發(fā)明借助彩色光照不變圖像的光照不變性和α圖像記錄光照變化的特性進(jìn) 行陰影區(qū)域判斷，提高了陰影檢測的準(zhǔn)確性和有效性，減低漏檢率。具體表現(xiàn)為：本發(fā)明借 助彩色光照不變圖像既保持了圖像的紋理和顏色信息又消除了光照影響的特點進(jìn)行聚類 分析，該聚類能將反照率相似的區(qū)域劃為一類；用來進(jìn)行陰影和非陰影區(qū)域判斷的α圖像 記錄了光照變化的信息，相比于原圖而言，該光照變化圖像提高了陰影區(qū)域和非陰影區(qū)域 的可分性。
[0027] 3.該發(fā)明無需提供場景、運動目標(biāo)、光照條件等先驗知識，在復(fù)雜背景的情況下也 適用，具有較好的普適性。
【附圖說明】
[0028] 圖1為本發(fā)明的整體流程框圖。
[0029] 圖2為本發(fā)明實施例一的原圖像。
[0030] 圖3a為對原圖像實施正交分解后得到的彩色光照不變圖像。
[0031] 圖3b為對原圖像實施正交分解分解后得到的光照變化圖像α。
[0032] 圖4為對彩色光照不變圖像實施k-means聚類后的結(jié)果圖像。
[0033] 圖5a為圖4聚類結(jié)果中的一類圖像。
[0034] 圖化為α圖像中屬于圖5a類別的像素分布直方圖及擬合的兩類高斯分布曲線。
[0035] 圖5c為用EM算法進(jìn)行高斯混合建模后得到兩類分布之一。
[0036] 圖5d為用EM算法進(jìn)行高斯混合建模后得到兩類分布之二。
[0037] 圖6a為初步陰影提取結(jié)果圖像。
[0038] 圖化為最終陰影檢測結(jié)果圖像。
[0039] 圖7a為本發(fā)明實施例二的原圖像。
[0040] 圖化為初步陰影提取結(jié)果圖像。
[0041] 圖7c為陰影檢測的最終結(jié)果圖像。
【具體實施方式】
[0042] 下面結(jié)合實施例對本發(fā)明做進(jìn)一步的詳細(xì)說明。
[0043] 本發(fā)明的技術(shù)方案如下：
[0044] (1)利用陰影區(qū)域內(nèi)外的線性模型建立一個線性方程組；
[0045] (2)根據(jù)該線性方程組具有的奇異特性，對該線性方程組的解進(jìn)行正交分解；該 正交分解得到一幅彩色光照不變圖像和一幅光照變化圖像α，其中彩色光照不變圖像在消 除光照變化帶來的影響的同時也保持了原圖像的基本顏色和紋理信息，而光照變化圖像α 記錄了圖像的光照變化情況；
[004引 （3)利用彩色光照不變圖像的光照不變特性對圖像進(jìn)行分類：采用K-means聚類 算法（κ-均值聚類算法）對彩色光照不變圖像進(jìn)行聚類，該聚類將圖像中反照率一致的區(qū) 域判為一類；
[0047] (4)利用在反照率相同的情況下，光照變化圖像α的陰影區(qū)域和非陰影區(qū)域的像 素值均服從高斯分布的特性，對上述反照率一致的區(qū)域，在光照變化圖像α的基礎(chǔ)上，采 用ΕΜ算法進(jìn)行高斯混合建模，提取陰影區(qū)域。最后采用形態(tài)學(xué)算子對提取的陰影區(qū)域進(jìn)行 優(yōu)化，消除孤立點，填充不連續(xù)的區(qū)域。
[0048] 送里在反照率一致的情況下，光照變化圖像α的陰影區(qū)域和非陰影區(qū)域的像素 值服從高斯分布的特性體現(xiàn)在：在光照變化圖像α中，對于步驟（3)中聚為一類的具有相 同反照率的區(qū)域，其陰影部分和非陰影部分均可用高斯分布來擬合，具體可參考圖化，送兩 類高斯分布可W通過調(diào)整均值和方差進(jìn)行互換。
[0049] 利用ΕΜ算法進(jìn)行高斯建模提取陰影區(qū)域具體為；在光照變化圖像α上，對相同反 照率區(qū)域用ΕΜ算法巧xpectation Maximization Algorithm,期望最大化算法）迭代估算 兩類高斯分布；根據(jù)兩類高斯分布均值差異的大小判斷兩類分布是否具有相同光照，對兩 類分布來自不同光照的情況，將屬于均值小的一類高斯分布判為陰影區(qū)域。
[0050] 參見圖1，本發(fā)明主要包括如下幾個步驟；線性方程組的建立、彩色光照不變圖像 和光照變化圖像α的提取、一致反照率區(qū)域的聚類、陰影區(qū)域提取和優(yōu)化。
[0051] 具體方案如下：
[0052] 1.利用陰影區(qū)域內(nèi)外的線性模型建立一個線性方程組
[0053] 對于一幅室外陰影圖片（如圖2所示）其具有一致反照率的陰