摘要：无人机在检测和跟踪目标过程中受到目标伪装、目标遮挡、移动躲避以及假目标等因素的干扰,而无人机目标附近的阴影区域加剧了这些因素对目标检测和跟踪性能的影响,因此检测无人机目标阴影区域是无人机领域的重要研究任务之一。现有无人机目标阴影检测方法面临训练数据数量有限、数据收集标注困难以及无人机目标中存在大量尺寸较小的细碎阴影区域等问题,针对这些问题,提出一种基于残差混合监督网络的无人机目标阴影检测算法。首先针对无人机目标阴影检测任务的特点设计分辨率注意力网络,在结合底层纹理特征和高层语义特征的过程中,更准确地保留底层纹理特征。然后设计混合监督网络扩充训练数据集,结合普通阴影检测数据集和无人机目标阴影检测数据集训练教师网络,使用无人机阴影检测数据集和教师网络的参数训练学生网络。同时设计残差图像,利用教师网络检测结果和标准结果之间的残差图像扩充训练数据集,使阴影检测网络更加关注细碎阴影区域。最后,在2个公开实验数据集上和已有方法进行对比实验,在各个评价参数上取得了最多41.6%的提升效果,证明所提无人机目标阴影检测算法较好的解决了现有方法存在的问题,具有较高的准确性。

摘要：图像中含有阴影区域对后续处理任务影响较大,根据阴影特性,提出基于交叉皮质模型(Intersecting cortical model,ICM)的单幅图像阴影检测算法.通过在点火连接矩阵构造上考虑邻域像素值依赖关系,融入局部二值模式(Local binary pattern,LBP)表征的纹理信息形成了Te-ICM模型.根据阴影检测流程,利用模型迭代特性,通过设计停止条件自动检测本影,在本影修复后生成附着半影.同时优化模型参数,设计了基于分层聚类直方图划分的阈值下降策略.仿真结果表明:对于典型影像集,Te-ICM模型及相应参数设计可以较好地实现阴影检测,输出阴影掩模准确度高,为后续阴影去除提供了基础.

摘要：图像中阴影像素的存在会导致图像内容的不确定性,对计算机视觉任务有害,因此常将阴影检测作为计算机视觉算法的预处理步骤.提出全新的阴影检测网络结构,通过结合输入图像中包含的语义信息和像素之间的关联,提升网络性能.使用预训练后的深层网络ResNeXt101作为特征提取前端,提取图像的语义信息,并结合U-net的设计思路,搭建网络结构,完成特征层的上采样过程.在输出层之前使用非局部操作,为每一个像素提供全局信息,建立像素与像素之间的联系.设计注意力生成模块和注意力融合模块,进一步提高检测准确率.分别在SBU、UCF这2个阴影检测数据集上进行验证,实验结果表明,所提方法的目视效果及客观指标皆优于此前最优方法所得结果,在2个数据集上的平均检测错误率分别降低14.4%和14.9%.

摘要：为了准确检测车辆,提出一种基于颜色、纹理、光照模型相结合的阴影检测算法。根据颜色恒常性完成阴影的初步检测,利用局部二值模式(LBP)纹理不变性和基于光照模型的亮度比值置信区间去除误检阴影像素,最后用区域生长完成阴影边缘像素的恢复,保证车辆阴影检测的准确与完整性。为了保证不同智能监控场景下车辆追踪的准确度和稳定度,提出一种特征与概率相结合的改进的Camshift跟踪算法。研究结果表明:所提出的阴影检测算法与改进的Camshift算法可以提升车辆检测与跟踪的准确性与稳定性。

摘要：针对增强现实中移动视点下的室外场景检测问题,提出一种基于光流跟踪的阴影在线检测算法.首先将当前帧中待检测的阴影分为将前一帧阴影跟踪过来的阴影部分和因视点改变出现的新阴影部分;然后在GraphCut框架下对跟踪结果进行优化,以消除光流跟踪产生的累积误差;再利用阴影区域的光照特点,如太阳光与天空光强度比值等,提取优化后的跟踪阴影区域的阴影特征,在线地检测新进的阴影区域;最后再次利用GraphCut算法对检测到的初始新阴影区域进行优化,消除基于阈值的方法检测独立新进阴影时产生的误差.在Matlab平台下对不同复杂度的室外场景进行实验的结果表明,该算法不仅能有效地减少跟踪阴影的误差,而且可准确地检测到室外场景中经常存在的软影.

摘要：深度图像作为Kinect传感器的重要组成部分,其获得的深度图像往往伴随着不可避免和无法预知的阴影噪声,这也极大地影响并制约其在三维可视化等方面的应用及研究。因此,针对深度图像提出了一种基于分数阶微分的阴影检测方法。在研究分数阶微分定义的Tiansi模板基础上,设计并实现了一种非线性拉伸算子。该算子在0.6阶次可以增强阴影区域边界信息的同时实现阴影的有效检测。通过分析比较发现,该方法在F测度的评价体系中可以达到0.971,而其他传统的检测方法均小于0.7。实验结果证明文中提出方法可以有效实现深度图像的阴影检测。

摘要：为了提高不同光线环境下阴影检测的准确度和稳定性,提出了一种自适应的阴影检测算法。设计了一种阴影检测器,利用候选前景中像素YUV分量变化比率判别阴影像素,其检测阈值由阈值估计器得到。阈值估计器利用全局纹理和抽样推断的方法统计计算出当前光线环境下所需的阈值。整个阴影检测过程不需要人工干预,适应于各种复杂动态的场景。对代表不同光线条件的标准测试视频的检测实验表明,本文算法能够自适应地检测得到各目标阴影区域,具有较好的稳定性和实时性,综合检测指标达到94%以上。

摘要：为改进阴影检测的准确度和场景自适应能力,提高运动目标检测精度,设计了一种自适应的阴影检测算法。该算法利用候选前景与原始背景的Y、U、V分量变化比率来检测阴影像素,并结合全局边缘纹理特征及抽样推断方法来估计检测阈值。算法能自动完成阈值估计及阴影判别过程而无需人工干预,并可自动适应各种光线条件,具有较强的鲁棒性。对不同光线环境的标准视频检测实验表明,该算法在精度和实时性上均有所提升,阴影检测综合性能指标达到了94%以上。

摘要：针对c3通道对噪声非常敏感,以及现有的基于c3通道遥感图像阴影检测算法存在的阴影检测不准确问题,提出改进的c3通道高分辨率遥感阴影检测算法.利用对数变换和阈值法对c3通道图像进行增强,提高了c3通道图像阴影区域与非阴影区域的对比度,进而提高了阴影像素的辨识度;通过扩展邻域范围并增加影响因子较高的像素点的权重进行图像平滑,有效地减弱了噪声对阴影像素提取的影响;增加2个方向的模板,利用高斯分布和抽样方法确定边缘阈值,提高了阴影区域边缘检测的准确度.实验结果表明,该算法提高了阴影检测的准确度,适应性较强,可较好地应用于高分辨率遥感图像的处理.

摘要：由于阴影边界上的像素数量往往远小于阴影内部区域的像素数量,准确检测阴影边界区域相比于检测阴影内部区域像素更困难。为了提高在阴影边界上的检测准确率,本文提出了一种新颖且高效的轻量级边界感知阴影检测算法RBNet。首先,将图像分为阴影区域和非阴影区域,并分别采用距离变换将图像的阴影区域、非阴影区域的边界部分和主体解耦。接着,提出RBNet的解码器通过学习阴影区域的边界特征,在监督学习中平衡阴影边界与区域内部像素的对阴影检测性能的影响。然后,在RBNet中设计了一种可多分支融合的结构化重参模块RepConv,通过重参进行多分支融合来减少模型参数量、降低模型计算量并提高模型推理速度。将提出的RB-Net和其他常见的阴影检测算法进行了一系列阴影检测对比实验和算法模型消融对比实验。实验结果表明,本文提出的阴影检测算法RBNet不仅模型最小,且具有最快的推理速度,同时,在性能上优于现有的阴影检测算法。RBNet可在小型移动端设备上进行广泛应用,结合阴影去除算法,显著提高目标检测或分割任务的准确性。