一種陰影去除方法及裝置與流程

本申請涉及圖像處理技術領域，特別涉及一種陰影去除方法。本申請同時還涉及一種陰影去除裝置。

背景技術：

視頻監控是道路安全防范系統的重要組成部分。傳統的監控系統包括前端攝像機、傳輸線纜、視頻監控平臺。攝像機可分為網絡數字攝像機和模擬攝像機，可作為前端視頻圖像信號的采集。它是一種防范能力較強的綜合系統。視頻監控以其直觀、準確、及時和信息內容豐富而廣泛應用于許多場合。

對于目前越來越受重視的智能交通系統來說，視頻監控是其中一個必不可少的重要組成部分。在道路、園區監控的實際應用中，擾動的陰影，如樹蔭、目標(車輛、行人等)自身的影子經常會被誤認為目標或目標的一部分，從而影響目標大小和位置的定位，以及影響智能交通系統的正確控制。舉例來說，一塊擾動的樹蔭可能導致上百次的虛警，無論是對存儲還是事件查看都會造成很大的干擾。而在陰影中移動的目標則可能因為與陰影連成一片致使目標漏報。

申請人在實現本申請的過程中發現，應用目前的陰影去除方法的重要前提是能夠提取出可靠的背景，才能利用前景和背景提取有效的特征向量，對于實際場景的監控，由于環境的復雜性，往往會導致傳統的背景建模方法建立的背景不準確，影響最終的分類判斷。如現有技術中所述的混合高斯背景模型就只適用于低速的遠距離大場景，對于近距離的實時小場景監控的背景可靠性大大降低，此外，現有技術中針對單一的或顯著性不強的陰影特征會影響陰影判斷的準確性，并且較難保證最終目標提取的完整性，從而影響物體準確位置的定位。

技術實現要素：

本申請實施例提供一種基于超像素的陰影去除方法和裝置，以實現不需考慮背景信息，直接將圖像中的素材分解為超像素，融合多種特征對各超像素塊進行描述，最后將陰影超像素從中分類出來并去除，從素材中提取出目標的準確位置，對陰影區域的定位更準確，場景適應性更佳，目標提取的完整性更好。

為了達到上述技術目的，本申請提供了一種陰影去除方法，所述方法包括：

利用超像素算法對輸入的待檢測圖像進行預分割，得到預分割超像素，為各所述預分割超像素分配種子點；

獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點；

利用顏色距離和空間距離的權值對所述距離度量進行迭代計算，直至所述新的種子點不再變化，確定所述新的種子點為最終種子點，并根據所述最終種子點確定所述超像素；

利用預設的素材分類器對所述超像素進行素材分類，將分類為陰影素材所對應的超像素去除，在所述待檢測圖像中對去除所述陰影素材所對應的超像素之后的目標的位置進行校正。

優選的，在所述利用超像素算法對輸入的待檢測圖像進行預分割之前，還包括：

對輸入的各圖像進行超像素分割，獲取各素材超像素作為訓練樣本；

根據所述訓練樣本中圖像的像素值直方圖和梯度方向直方圖，獲取聯合特征；

將所述聯合特征輸入到SVM訓練器中進行訓練，獲得各素材分類器。

優選的，所述利用超像素算法對輸入的待檢測圖像進行預分割，得到預分割超像素，為各所述預分割超像素分配種子點，具體包括：

根據輸入待檢測圖像，獲取圖像坐標；

使用超像素算法對圖像進行預分割，分割為若干相同尺寸的預分割超像素，在所述預分割超像素的圖像內均勻的分配種子點，并為各預分割超像素內的各像素點分配類標簽。

優選的，獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點，具體包括：

根據種子點的個數獲取各所述預分割超像素中所有像素點的梯度值，將各所述預分割超像素中的種子點移到梯度最小的地方；

獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，更新所述各像素點的類標簽并進行聚類，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點。

優選的，所述利用預設的素材分類器對所述超像素進行素材分類，將分類為陰影素材所對應的超像素去除，在所述待檢測圖像中對去除所述陰影素材所對應的超像素之后的目標的位置進行校正，具體包括：

利用數學相關性、形狀信息去除所述各素材中分類異常的素材，對所述目標的位置和形狀進行初步校正；

利用運動信息獲取所述超像素的目標運動信息直方圖，根據所述目標運動信息直方圖，并利用最大類間方差法從所述各素材中去除目標邊界無運動信息的陰影素材；

在所述待檢測圖像中對去除所述陰影素材所對應的超像素之后的目標的位置進行校正，展示校正后的目標位置。

另外，本申請還提供一種陰影去除裝置，其特征在于，所述裝置包括：

提取模塊，用于利用超像素算法對輸入的待檢測圖像進行預分割，得到預分割超像素，為各所述預分割超像素分配種子點；

獲取模塊，用于獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點；

處理模塊，用于利用顏色距離和空間距離的權值對所述距離度量進行迭代計算，直至所述新的種子點不再變化，確定所述新的種子點為最終種子點，并根據所述最終種子點確定所述超像素；

定位模塊，用于利用預設的素材分類器對所述超像素進行素材分類，將分類為陰影素材所對應的超像素去除，在所述待檢測圖像中對去除所述陰影素材所對應的超像素之后的目標的位置進行校正。

優選的，還包括分類模塊，用于：

對輸入的各圖像進行超像素分割，獲取各素材超像素作為訓練樣本；

根據所述訓練樣本中圖像的像素值直方圖和梯度方向直方圖，獲取聯合特征；

將所述聯合特征輸入到SVM訓練器中進行訓練，獲得各素材分類器。

優選的，所述提取模塊，具體用于：

根據輸入待檢測圖像，獲取圖像坐標；

使用超像素算法對圖像進行預分割，分割為若干相同尺寸的預分割超像素，在所述預分割超像素的圖像內均勻的分配種子點，并為各預分割超像素內的各像素點分配類標簽。

優選的，所述獲取模塊，具體用于：

根據種子點的個數獲取各所述預分割超像素中所有像素點的梯度值，將各所述預分割超像素中的種子點移到梯度最小的地方；

獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，更新所述各像素點的類標簽并進行聚類，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點。

優選的，所述定位模塊，具體用于：

利用數學相關性、形狀信息去除所述各素材中分類異常的素材，對所述目標的位置和形狀進行初步校正；

利用運動信息獲取所述超像素的目標運動信息直方圖，根據所述目標運動信息直方圖，并利用最大類間方差法從所述各素材中去除目標邊界無運動信息的陰影素材；

在所述待檢測圖像中對去除所述陰影素材所對應的超像素之后的目標的位置進行校正，展示校正后的目標位置。

與現有技術相比，本申請實施例所提出的技術方案的有益技術效果包括：

本申請實施例公開了一種陰影去除方法和裝置，該方法利用超像素算法對輸入的待檢測圖像進行預分割并為各預分割超像素分配種子點；獲取預分割超像素中的各像素點與相鄰預分割超像素的種子點的距離度量，以距離度量的最小值為各像素點的類標簽，獲取各類標簽內的像素點的坐標平均值，以坐標平均值為新的種子點；利用顏色距離和空間距離的權值對距離度量進行迭代計算，直至新的種子點不再變化，確定新的種子點為最終種子點并以其為超像素；對超像素進行素材分類，將陰影素材去除。該方法不需考慮背景信息的復雜度，直接將圖像中的素材分解為超像素，融合多種特征對各超像素進行描述，最后將包含陰影的超像素從分類中去除，從而獲得目標的精確坐標位置。

附圖說明

為了更清楚地說明本申請的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明所提出的一種陰影去除方法的流程示意圖；

圖2為本申請實施例所提出的一種陰影去除方法的流程示意圖；

圖3為本申請實施例所提出的一種超像素分割模塊的流程示意圖；

圖4為本申請實施例所提出的一種陰影、目標、路面分類器離線訓練模塊的流程示意圖；

圖5為本申請實施例所提出的一種目標重定位模塊的流程示意圖；

圖6為本申請實施例所提出的一種陰影去除結果示意圖；

圖7為本申請實施例所提出的一種陰影去除裝置的示意圖。

具體實施方式

由于陰影問題已經成為視頻監控中影響監控效果的重要因素之一，因此，現有技術存在基于超像素(The super pixel)和支持向量機(Support Vector Machine，SVM)的圖像陰影檢測方法，超像素一般是指具有相似紋理、顏色、亮度等特征的相鄰像素構成的圖像塊。超像素在圖像分割(Segmentation)領域及目標識別領域被廣泛的使用。與傳統的像素級別相比，超像素能夠簡化原始圖片，提高表征圖像的效率。在執行目標識別任務時，使用超像素處理圖像更加方便高效，可以大幅度簡化任務，形成對圖像更簡潔的表征。

正如本發明背景技術所述，針對現有技術中基于超像素和支持向量機(Support Vector Machine，SVM)的圖像陰影檢測方法通常會存在如下的問題：

1、應用該類方法的重要前提是能夠提取出可靠的背景，才能利用前景和背景提取有效的特征向量，對于實際場景的監控，由于環境的復雜性，往往會導致傳統的背景建模方法建立的背景不準確，影響最終的分類判斷。

2、混合高斯背景模型僅適用于低速的遠距離大場景，對于近距離的實時小場景監控，則背景的可靠性大大降低。

3、需要認識并區別陰影與目標的各種特征類型，單一的或顯著性不強的特征會影響陰影判斷的準確性。

4、較難保證最終目標提取的完整性。

因此，現有的技術仍無法精確將干擾陰影從圖像中有效的去除出去并最終確定物體的精確位置。

有鑒于以上現有技術中的問題，本發明提出了一種陰影去除方法。該方法將待檢測圖像中的目標、陰影和背景分解為超像素，融合多種特征對各超像素進行描述，最后將陰影超像素塊從分類中分離去除。這種方法對復雜環境的適應性更佳。

如圖1所示，為本發明所提出的一種陰影去除方法的流程示意圖，其中：

步驟101、利用超像素算法對輸入的待檢測圖像進行預分割，為各所述預分割超像素分配種子點。

在具體的實施例中，在進行本步驟之前，還需要進行SVM訓練得到各素材的分類器，用于對圖像進行分割之后的超像素所包含的素材進行分類，具體為，首先對輸入的各圖像進行超像素分割，并獲取各素材超像素作為訓練樣本，然后根據該訓練樣本中圖像的像素值直方圖和梯度方向直方圖，獲取聯合特征，最后將該聯合特征輸入到SVM中進行訓練，獲得各素材分類器。

當然獲取該分類器所使用的圖像可以是當前待檢測的圖像也可以是從提前輸入的若干張圖像中進行分割、篩選、訓練得到的，這并不會影響本發明的保護范圍。

進一步的，根據輸入待檢測圖像，獲取圖像坐標；

使用超像素算法對圖像進行預分割，分割為若干相同尺寸的預分割超像素，在該預分割超像素的圖像內均勻的分配種子點，并為各預分割超像素內的各像素點分配類標簽。

步驟102、獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點。

該步驟旨通過距離度量確定出新的種子點，并通過加入的顏色距離和空間距離的權值對該距離度量進行迭代計算，直至該新的種子點不再變化，確定該新的種子點為最終種子點，并根據該最終種子點確定所需超像素。

在本發明的具體實施例中，首先根據種子點的個數獲取各該預分割超像素中所有像素點的梯度值，將各該預分割超像素中的種子點移到梯度最小的地方，然后獲取該預分割超像素中的各像素點與相鄰該預分割超像素的種子點的距離度量，以該距離度量的最小值為該各像素點的類標簽，更新該各像素點的類標簽并進行聚類，獲取各該類標簽內的像素點的坐標平均值，以該坐標平均值為新的種子點，最后利用顏色距離和空間距離的權值對該距離度量進行迭代計算，最終確定出所需的超像素。

步驟103、利用顏色距離和空間距離的權值對所述距離度量進行迭代計算，直至所述新的種子點不再變化，確定所述新的種子點為最終種子點，并根據所述最終種子點確定所述超像素。

該步驟旨在通過加入的顏色距離和空間距離的權值使距離度量收斂更快，進一步確定出精確的種子點和所需的超像素，利用權值變化將像素間由顏色距離主導的聚類問題轉化為由空間距離主導的聚類問題。具體的，利用顏色距離和空間距離的權值對該距離度量進行迭代計算，直至該新的種子點不再變化，確定該新的種子點為最終種子點，并根據該最終種子點確定該超像素。

步驟104、利用預設的素材分類器對所述超像素進行素材分類，并將所述各素材中的陰影素材去除。

本步驟中將步驟103中確定的超像素放入分類器中進行分類，首先利用數學相關性、形狀信息去除各素材中分類異常的素材，對目標的位置和形狀進行初步校正；利用運動信息獲取超像素的目標運動信息直方圖，根據目標運動信息直方圖，并利用最大類間方差法從各素材中去除目標邊界無運動信息的陰影素材，進而得到所需目標的精確坐標位置。

由此可見，與現有技術相比，本發明實施例所提出的技術方案的有益技術效果包括：

利用超像素算法對輸入的待檢測圖像進行預分割并為各預分割超像素分配種子點；獲取預分割超像素中的各像素點與相鄰預分割超像素的種子點的距離度量，以距離度量的最小值為各像素點的類標簽，獲取各類標簽內的像素點的坐標平均值，以坐標平均值為新的種子點；利用顏色距離和空間距離的權值對距離度量進行迭代計算，直至新的種子點不再變化，確定新的種子點為最終種子點并以其為超像素；對超像素進行素材分類，將陰影素材去除。該方法不需考慮背景信息的復雜度，直接將圖像中的素材分解為超像素，融合多種特征對各超像素進行描述，最后將包含陰影的超像素從分類中去除，從而獲得目標的精確坐標位置。

下面將結合本發明中的附圖，對本發明中的技術方案進行清楚、完整的描述，顯然，所描述的實施例是本發明的一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

如上所述，現有技術中已知的圖像陰影檢測方法是先通過混合高斯背景模型提取前景區域，然后對前景區域進行超像素分割，統計超像素內前景與背景的亮度、顏色及梯度差值平均值，以此組合成二十維的特征向量，最后利用支持向量機來對待檢測圖像進行分類，最終提取出所需目標。但是由于高斯背景模型的使用場景、特征向量提取的便捷性以及目標提取的完整性都會影響到該方法的實際操作的效果，降低用戶體驗。

本發明實施例為了解決上述的問題，針對超像素分割策略進行重點優化，提出了如圖2所示的方法，該方法包括以下步驟：

步驟201、超像素分割。

在實際的應用場景中，本步驟中需要對圖像進行分割，并為其分配種子點，即聚類中心，為了能夠充分說明本法的實施方式，以下均按照步驟的方式進行詳細闡述。

S11，輸入待檢測圖像f_src(x,y)，獲取圖像坐標ObjLoc:(Xp,Yp,Width,Height)，在這里獲取的坐標分為兩種情況：

情況一，根據輸入的圖像，獲取該圖像的所有區域，并以該所有區域的坐標值為圖像坐標ObjLoc:(Xp,Yp,Width,Height)；

情況二，根據輸入的圖像，獲取該圖像的興趣區域，并進一步獲取該興趣區域的坐標ObjLoc:(Xp,Yp,Width,Height)。

需要說明的是，在以上情況中，選擇坐標ObjLoc:(Xp,Yp,Width,Height)的具體數值根據圖像區域不同而變化，具體的選擇方式的不同并不影響本發明的保護范圍。

S12，使用SLIC超像素算法對圖像進行超像素分割，分割為K個相同尺寸的超像素，在圖像內均勻的分配種子點，并為各分割超像素內的像素點分配類標簽，其中，圖像內像素點個數為N＝Width*Height，各超像素的大小為N/K，相鄰種子點的距離為S＝sqrt(N/K)。具體做法是按照設定的超像素個數，在圖像內均勻的分配種子點，并為各分割塊內的像素點分配類標簽(即屬于哪個聚類中心)。在興趣區域內像素點個數為N＝Width*Height，預分割為K個相同尺寸的超像素，那么每個超像素的大小為N/K，則相鄰種子點的距離(步長)近似為S＝sqrt(N/K)。

S13，需要對種子點進行校正。在種子點個數為n*n鄰域內計算所有像素點的梯度值，將種子點移到梯度最小的地方，具體為在種子點n*n鄰域內(本發明中為了方便計算取n＝3)計算所有像素點的梯度值，將種子點移到梯度最小的地方，避免種子點落在梯度較大的輪廓邊界上，以免影響后續聚類效果。

S14，在相鄰種子點距離為2S*2S(本發明中為了方便計算取2S*2S)范圍內，確定每個像素點與種子點間的距離度量D：

其中，d_c代表顏色距離，表示為像素點與種子點的rgb顏色的差值，d_s代表空間距離，表示為像素點與種子點之間的歐式距離：

其中，N_c和N_s為歸一化參數；N_c隨圖片不同而不同，也隨聚類不同而不同，一般取固定常數10。N_s為類內最大空間距離，定義為N_s＝S。

S15，在預分割塊內進行聚類。具體為對每個像素點取該點與相鄰種子點的距離度量D的最小值作為該點新的類標簽，對各類內像素點坐標取均值，獲得新的種子點，也即新的聚類中心。

S16，重復步驟S14、S15進行迭代優化，至種子點不再變化，即獲得最終的超像素分割結果，本發明的迭代次數取為10且能得到較理想的超像素分割結果，需要說明的是，在實際的使用場景中，具體的迭代次數也可以是根據實際情況選擇的，具體選擇內容的變化并不會影響本發明的保護范圍。

在本發明中通過調整顏色距離和空間距離的權值，可以使得迭代更快收斂。具體為加入權值α_l(其值隨迭代次數的變化而變化)，把公式3改為公式4，只需要迭代3次即可達到最優化超像素分割，總體分割時間減少約40％。權值α_l由統計數據擬合可用公式5確定：

α_l＝λ₁*atan(λ₂*l),(l＝1,2,3,...) (5)

其中，λ₁、λ₂可由迭代結果數據統計學習得到，且λ₁>0,λ₂>0。

需要說明的是，α_l隨迭代次數增大而增大，最后趨近于1。這與常規認知是相符的，即開始時通過顏色信息快速聚類，而隨著迭代的進行，相同顏色的像素間距離起主要作用，轉化為由距離主導的聚類問題，在本步驟中的具體數值的選取均是為了方便計算而取的最優的數值，具體選取其他的數值并不會改變本發明的保護范圍。

以上闡述的步驟具體如圖3所示，為本申請實施例所提出的一種超像素分割模塊的流程示意圖，首先通過對圖像初始化種子點和校正種子點，然后利用顏色距離和空間距離計算距離度量，在通過聚類和更新權值對距離度量進行聚類得到聚類中心。

步驟202、特征提取。

本步驟旨在通過特征值的提取，將其與訓練器中的分類圖片進行快速的對比，從而快速的篩選出需要的超像素。

根據步驟201的方法獲取的每個超像素塊圖像作為訓練樣本，首先，以像素差值32為區間，統計樣本圖像rgb各通道像素值的直方圖，每一個通道可獲得256/32＝8維的直方圖，rgb共3個通道則可獲得24維的直方圖特征。其次，以角度差值20°為區間，統計樣本圖像的梯度方向直方圖，可獲得180°/20°＝9維的直方圖特征。最后，將顏色直方圖和梯度方向直方圖聯合起來，合成一個33維的聯合特征。

需要說明的的是，在本步驟中所使用的分類器可以是預先通過各圖像進行訓練得到的，具體可以由若干張輸入圖像中進行分割篩選出若干目標超像素、陰影超像素塊以及路面超像素塊圖像作為訓練樣本，訓練成分類器，這并不會影響本發明的保護范圍。

步驟203、超像素分類。

在本步驟對超像素進行分類之前還需要得到一個分類器，具體為：

S21，準備數據。根據步驟S11～S16方法獲取的每個超像素塊圖像作為訓練樣本，由2000張輸入圖像中分割篩選出1萬目標超像素塊(包括人、車輛等)，3萬陰影超像素塊，3萬路面超像素塊圖像作為訓練樣本，并分別打上類標簽{-1,0,1}。

S22，提取特征。首先，以像素差值32為區間，統計樣本圖像rgb各通道像素值的直方圖，每一個通道可獲得256/32＝8維的直方圖，rgb共3個通道則可獲得24維的直方圖特征。其次，以角度差值20°為區間，統計樣本圖像的梯度方向直方圖，可獲得180°/20°＝9維的直方圖特征。最后，將顏色直方圖和梯度方向直方圖聯合起來，合成一個33維的聯合特征。

S23，訓練分類器。將步驟S22提取的特征分別打上對應的類標簽，輸入到SVM中進行訓練，獲得目標、陰影、路面分類器。

在本發明的具體實施例中，本步驟中通過訓練樣本圖像的特征獲得的分類器，更加適用當前的圖像，當然，也可以在系統中預設多個分離器，對不同的圖像選用不同的分類器，這樣的變化并不會影響本發明的保護范圍。

以上闡述的步驟中的訓練分類器具體如圖4所示，為本申請實施例所提出的一種陰影、目標、路面分類器離線訓練模塊的流程示意圖，通過提取RGB顏色信息和梯度方向信息對陰影、目標、路面正負樣本進行SVM訓練得到分類器。

在得到目標、陰影、路面分類器之后，將每個超像素塊的聯合特征，輸入到目標、陰影、路面分類器中進行SVM分類。需要注意的是，SVM只能進行二分類，而我們需要分三個類別(目標、陰影、路面)，可以采用兩兩分類后，取最大分類置信度方法來判斷該超像素塊的類別。在測試集上，目標檢出率為90.3％，陰影檢出率為96.4％，路面檢出率為95.6％。

步驟204、目標重定位。

本步驟旨在通過利用數學相關性、形狀信息以及運動信息對分類出的目標進行精確定位，具體為：

S31，根據相關性對分類結果進行初步校正。超像素塊不是獨立的，即如目標的某一超像素塊的必然與目標其中的另一超像素塊相鄰，陰影和背景超像素塊亦然。設某超像素塊的分類結果為P，其周圍8鄰域超像素塊的分類結果為P_i,(i＝0,1,...,7)，如果P≠P_i，那么就可以認為該超像素分類是錯誤的，將其置為8領域中統計最大的那一類。利用這一先驗知識，可以將分類結果與相鄰超像素塊結果均不相同的進行初步校正。

S32，根據形狀信息對目標形狀進行校正。通過步驟S31就可將確定目標的大致位置了，但是仍會存在一些難以判斷的超像素會使得目標的形狀出現異常。如車輛一般為正方形，非機動車、行人一般為長方形，即目標的寬高比和大小在一定范圍內。通過統計可得一般目標的寬高比處于[β₁,β₂]區間，在一個優選例中，取[0.4，1.2]，如果寬高比異常，則可判斷目標邊界的超像素中其領域結果分類為陰影或路面最多的為分類錯誤，將其置為8領域中統計最大的那一類，校正目標形狀。

S33，根據運動信息對目標位置進行精定位。通過步驟S32已經可以確定目標較準確的位置和大小了，但是仍不夠精確，尤其是對于摩托車、自行車、行人等細化分類以及目標子特征屬性(如帽子、衣服、背包等)檢測等應用來說，目標位置的精確定位至關重要。為此，可通過統計目標運動信息(如幀間差分信息)直方圖，利用最大類間方差法來消除邊界無運動信息超像素干擾，對目標的上下左右位置進行進一步校正，最終輸出目標去除陰影干擾后的精確坐標位置：ObjLoc':(Xp',Yp',Width',Height')。

以上闡述的步驟具體如圖5所示，為本申請實施例所提出的一種目標重定位模塊的流程示意圖，通過利用數學相關性、形狀信息以及運動信息對分類出的目標進行精確定位。最終在圖像中將精確定位的目標分離出來，如圖6所示，為本申請實施例所提出的一種陰影去除結果示意圖。

基于與上述方法同樣的發明構思，本申請實施例還提出了一種陰影去除裝置，其特征在于，所述裝置包括：

提取模塊71，用于利用超像素算法對輸入的待檢測圖像進行預分割，得到預分割超像素，為各所述預分割超像素分配種子點；

獲取模塊72，用于獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點；

處理模塊73，用于利用顏色距離和空間距離的權值對所述距離度量進行迭代計算，直至所述新的種子點不再變化，確定所述新的種子點為最終種子點，并根據所述最終種子點確定所述超像素；

定位模塊74，用于利用預設的素材分類器對所述超像素進行素材分類，將分類為陰影素材所對應的超像素去除，在所述待檢測圖像中對去除所述陰影素材所對應的超像素之后的目標的位置進行校正。

優選的，還包括分類模塊75，用于：

對輸入的各圖像進行超像素分割，獲取各素材超像素作為訓練樣本；

根據所述訓練樣本中圖像的像素值直方圖和梯度方向直方圖，獲取聯合特征；

將所述聯合特征輸入到SVM訓練器中進行訓練，獲得各素材分類器。

優選的，所述提取模塊71，具體用于：

根據輸入待檢測圖像，獲取圖像坐標；

使用超像素算法對圖像進行預分割，分割為若干相同尺寸的預分割超像素，在所述預分割超像素的圖像內均勻的分配種子點，并為各預分割超像素內的各像素點分配類標簽。

優選的，所述獲取模塊72，具體用于：

根據種子點的個數獲取各所述預分割超像素中所有像素點的梯度值，將各所述預分割超像素中的種子點移到梯度最小的地方；

獲取所述預分割超像素中的各像素點與相鄰所述預分割超像素的種子點的距離度量，以所述距離度量的最小值為所述各像素點的類標簽，更新所述各像素點的類標簽并進行聚類，獲取各所述類標簽內的像素點的坐標平均值，以所述坐標平均值為新的種子點。

優選的，所述定位模塊74，具體用于：

利用數學相關性、形狀信息去除所述各素材中分類異常的素材，對所述目標的位置和形狀進行初步校正；

利用運動信息獲取所述超像素的目標運動信息直方圖，根據所述目標運動信息直方圖，并利用最大類間方差法從所述各素材中去除目標邊界無運動信息的陰影素材；

在所述待檢測圖像中對去除所述陰影素材所對應的超像素之后的目標的位置進行校正，展示校正后的目標位置。

在本發明具體實施例中各個模塊可以集成于一體，也可以分離部署，上述模塊合并為一個模塊，也可以進一步拆分成多個子模塊。

由此可見，通過應用本申請的技術方案，利用超像素算法對輸入的待檢測圖像進行預分割并為各預分割超像素分配種子點；獲取預分割超像素中的各像素點與相鄰預分割超像素的種子點的距離度量，以距離度量的最小值為各像素點的類標簽，獲取各類標簽內的像素點的坐標平均值，以坐標平均值為新的種子點；利用顏色距離和空間距離的權值對距離度量進行迭代計算，直至新的種子點不再變化，確定新的種子點為最終種子點并以其為超像素；對超像素進行素材分類，將陰影素材去除。該方法不需考慮背景信息的復雜度，直接將圖像中的素材分解為超像素，融合多種特征對各超像素進行描述，最后將包含陰影的超像素從分類中去除，從而獲得目標的精確坐標位置。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到本發明實施例可以通過硬件實現，也可以借助軟件加必要的通用硬件平臺的方式來實現。基于這樣的理解，本發明實施例的技術方案可以以軟件產品的形式體現出來，該軟件產品可以存儲在一個非易失性存儲介質(可以是CD-ROM，U盤，移動硬盤等)中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或網絡側設備等)執行本發明實施例各個實施場景所述的方法。

本領域技術人員可以理解附圖只是一個優選實施場景的示意圖，附圖中的模塊或流程并不一定是實施本發明實施例所必須的。

本領域技術人員可以理解實施場景中的裝置中的模塊可以按照實施場景描述進行分布于實施場景的裝置中，也可以進行相應變化位于不同于本實施場景的一個或多個裝置中。上述實施場景的模塊可以合并為一個模塊，也可以進一步拆分成多個子模塊。

上述本發明實施例序號僅僅為了描述，不代表實施場景的優劣。

以上公開的僅為本發明實施例的幾個具體實施場景，但是，本發明實施例并非局限于此，任何本領域的技術人員能思之的變化都應落入本發明實施例的業務限制范圍。