基于正交分解和em算法的阴影检测方法
【技术领域】
[0001] 本发明涉及计算机视觉及图像处理领域，具体地说是基于正交分解和EM算法的 单幅室外图像的阴影检测方法。
【背景技术】
[0002] 作为自然界中普遍存在的一种物理现象，阴影给计算机视觉任务带来诸多不利影 响。阴影的覆盖会造成图像模糊、破坏灰度值的连续性，进而影响着边缘检测、物体识别、W 及影像匹配等算法的鲁棒性，对后续的图像分析和理解带来极大的干扰。根据所使用的图 像数量，阴影检测可W分为基于多幅图像的方法和基于单幅图像的方法。目前，国内外很多 学者对图像序列中的阴影进行了比较深入的研究，提出了很多有效的算法，送些方法在视 频监控和车辆追踪等领域得到了广泛的应用。而单幅图像由于所包含的信息较少，其阴影 检测一直是该领域的难点和研究方向。
[0003] 从阴影检测技术特点来说，单幅图像阴影检测算法大致分为两类；基于物理模型 的方法和基于阴影特征的方法。其中基于模型的方法是指利用场景、运动目标、光照条件等 方面的先验信息，建立阴影模型，如Retinex模型，及基于Retinex模型的相关改进方法等。 基于物理模型的方法一般需要一些先验知识，如有关光源和物体的几何关系、相机标定等。 送类方法通常具有比较严密的理论推导，但同时也有较大的局限性，尤其在背景复杂、光照 条件较差的条件下，模型的复杂度W及建模时间都会迅速增加，难W满足实际工程的需要。 基于阴影特征的方法是利用阴影和背景的特性进行检测，如亮度差、纹理、颜色比率、边缘 梯度、赌等。该类算法常常只考虑目标阴影单个特征的区别，检测效率不高。如很多算法利 用阴影区域亮度比周围区域亮度要低的特征进行阴影检测，但是较暗的区域不一定就是阴 影；也有算法单纯借助色度不变性进行检测，但当阴影颜色比较深的时候，利用色度不变性 就无法检测出阴影。近几年来，基于统计学习的多特征阴影检测算法受到了越来越多的关 注，该算法具有更好的通用性和鲁棒性，但他们往往需要复杂的学习过程，算法数据计算 量大，耗费时间多，难W应用到实时场合。
【发明内容】
[0004] 本发明针对上述现有技术的一些不足，提出一种基于正交分解和EM算法的单幅 室外图像的阴影检测算法，该方法既不需要复杂的统计学习过程也不需要场景、目标等先 验知识，提高了阴影检测算法的实时性和普适性。
[0005] 本发明解决其技术问题所采用的技术方案是：基于正交分解和EM算法的阴影检 测方法，对原图进行正交分解，并利用EM算法对分解后的图像进行高斯混合建模，求解阴 影区域；具体包括W下步骤：
[0006] 1)利用原始图像中阴影区域内外的线性模型建立线性方程组；
[0007] 2)对该线性方程组进行正交分解得到一幅彩色光照不变图像和一幅光照变化图 像；
[0008] 3)对彩色光照不变图像采用K-means算法进行分类；
[0009] 4)根据分类结果对光照变化图像采用EM算法进行高斯混合建模，提取阴影区域；
[0010] 5)最后采用形态学算子对提取的阴影区域进行优化。
[0011] 所述对该线性方程组进行正交分解得到一幅彩色光照不变图像和一幅光照变化 图像具体为：
[001引对该线性方程组进行正交分解U = Up+au。，得到彩色光照不变图像Up和光 照变化图像 α，并满足 Au。= 0，I IU。I I = 1，α e R, Up 丄 U。；
，.
，护出，6,8}，向为线 性模型参数；u为线性方程组的任意解。
[0013] 对彩色光照不变图像采用K-means算法进行分类具体为：采用K-means聚类算法 将彩色光照不变图像中反照率一致的区域判为一类，最后得到多个类。
[0014] 所述根据分类结果对光照变化图像采用EM算法进行高斯混合建模包括W下步 骤：
[0015] 将多个类中的每一类利用EM算法进行高斯混合建模：
[0016] 4. 1)用K-means算法对光照变化图像中属于当前类S的像素进行初始分类，分类 类别为K = 2 ;
[0017] 4. 2)根据分类结果得到EM算法的初始参数；
[001引 4.扣计算光照变化图像中像素点α (X)属于第i类高斯分布的概 率：
[0019]
巧)
[0020] 其中K是分类类别，4和^是混合参数，分别代表第i、j类高斯分布的所占权重， 苗基和爲分别是第i类的高斯均值和协方差，始和分别是第j类的高斯均值和协方差， i, j = 1. . . K ；
[0021] 4. 4)更新参数值：
[0022]
第i类的样本数，N是当前类区域中的总像素数；返回步骤4.3)，将片:;，瑪、< 代入到公式 (7)，直到满足收敛条件。
[0023] 所述提取阴影区域具体为；如果两类高斯分布的均值差位于设定值范围内，则认 为各类像素集是同一材料在不同光照条件下生成的，并将均值小的一类区域判为阴影并提 取。
[0024] 本发明具有W下有益效果及优点：
[0025] 1.本发明采用简单的正交分解和EM迭代算法提取阴影区域，不需要复杂的特征 算子学习过程，大大的降低了算法的时间复杂度，可直接应用到实时场合。
[0026] 2.本发明借助彩色光照不变图像的光照不变性和α图像记录光照变化的特性进 行阴影区域判断，提高了阴影检测的准确性和有效性，减低漏检率。具体表现为：本发明借 助彩色光照不变图像既保持了图像的纹理和颜色信息又消除了光照影响的特点进行聚类 分析，该聚类能将反照率相似的区域划为一类；用来进行阴影和非阴影区域判断的α图像 记录了光照变化的信息，相比于原图而言，该光照变化图像提高了阴影区域和非阴影区域 的可分性。
[0027] 3.该发明无需提供场景、运动目标、光照条件等先验知识，在复杂背景的情况下也 适用，具有较好的普适性。
【附图说明】
[0028] 图1为本发明的整体流程框图。
[0029] 图2为本发明实施例一的原图像。
[0030] 图3a为对原图像实施正交分解后得到的彩色光照不变图像。
[0031] 图3b为对原图像实施正交分解分解后得到的光照变化图像α。
[0032] 图4为对彩色光照不变图像实施k-means聚类后的结果图像。
[0033] 图5a为图4聚类结果中的一类图像。
[0034] 图化为α图像中属于图5a类别的像素分布直方图及拟合的两类高斯分布曲线。
[0035] 图5c为用EM算法进行高斯混合建模后得到两类分布之一。
[0036] 图5d为用EM算法进行高斯混合建模后得到两类分布之二。
[0037] 图6a为初步阴影提取结果图像。
[0038] 图化为最终阴影检测结果图像。
[0039] 图7a为本发明实施例二的原图像。
[0040] 图化为初步阴影提取结果图像。
[0041] 图7c为阴影检测的最终结果图像。
【具体实施方式】
[0042] 下面结合实施例对本发明做进一步的详细说明。
[0043] 本发明的技术方案如下：
[0044] (1)利用阴影区域内外的线性模型建立一个线性方程组；
[0045] (2)根据该线性方程组具有的奇异特性，对该线性方程组的解进行正交分解；该 正交分解得到一幅彩色光照不变图像和一幅光照变化图像α，其中彩色光照不变图像在消 除光照变化带来的影响的同时也保持了原图像的基本颜色和纹理信息，而光照变化图像α 记录了图像的光照变化情况；
[004引 （3)利用彩色光照不变图像的光照不变特性对图像进行分类：采用K-means聚类 算法（κ-均值聚类算法）对彩色光照不变图像进行聚类，该聚类将图像中反照率一致的区 域判为一类；
[0047] (4)利用在反照率相同的情况下，光照变化图像α的阴影区域和非阴影区域的像 素值均服从高斯分布的特性，对上述反照率一致的区域，在光照变化图像α的基础上，采 用ΕΜ算法进行高斯混合建模，提取阴影区域。最后采用形态学算子对提取的阴影区域进行 优化，消除孤立点，填充不连续的区域。
[0048] 送里在反照率一致的情况下，光照变化图像α的阴影区域和非阴影区域的像素 值服从高斯分布的特性体现在：在光照变化图像α中，对于步骤（3)中聚为一类的具有相 同反照率的区域，其阴影部分和非阴影部分均可用高斯分布来拟合，具体可参考图化，送两 类高斯分布可W通过调整均值和方差进行互换。
[0049] 利用ΕΜ算法进行高斯建模提取阴影区域具体为；在光照变化图像α上，对相同反 照率区域用ΕΜ算法巧xpectation Maximization Algorithm,期望最大化算法）迭代估算 两类高斯分布；根据两类高斯分布均值差异的大小判断两类分布是否具有相同光照，对两 类分布来自不同光照的情况，将属于均值小的一类高斯分布判为阴影区域。
[0050] 参见图1，本发明主要包括如下几个步骤；线性方程组的建立、彩色光照不变图像 和光照变化图像α的提取、一致反照率区域的聚类、阴影区域提取和优化。
[0051] 具体方案如下：
[0052] 1.利用阴影区域内外的线性模型建立一个线性方程组
[0053] 对于一幅室外阴影图片（如图2所示）其具有一致反照率的阴