实例阴影检测（CVPR'20） *，*，王琼，Pheng -安恒，和（*联合第一作者。） [ ] [ ] [ ] 实例阴影检测旨在找到与对象实例配对的阴影实例。 我们提出了一个数据集，一个深入的框架和一个评估指标来应对这一新任务。 此在上。 依存关系 python> = 3.6 火炬== 1.3.0 + cu100 火炬视觉== 0.4.1 + cu100 张量板 赛顿 朱皮特 scikit图像 麻木 的OpenCVPython的 pycocotools 安装 安装LISA和pysobatools $ cd InstanceShadowDetection $ python setup.py install $ cd PythonAPI $ python setup.py install 码头工人 $ cd InstanceShadowDetection/docker $

在HSV空间内对视频数据进行阴影检测，进而去除阴影

精确地消除活动阴影对运动目标的影响是智能视频监控的核心任务之一,针对当前运动阴影检测中采用的纹理信息过于粗糙、阈值选取需要人工干涉等问题,通过对NCC(归一化互相关)纹理算法进行改进,并结合亮度和归一化颜色特性,提出一种自适应的运动阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色的特性筛选出候选的阴影区域,结合改进的纹理算法进一步缩小阴影区域范围,最后利用空间后处理得到真实阴影。实验结果表明,该算法在有效降低噪声干扰的情况下能够较好区分局部纹理不明显的运动目标和阴影。

一种用于阴影检测和去除的方法，针对各种图像

基于FPGA的多信息融合的运动阴影检测.pdf

基于HSV颜色空间阴影检测

针对智能交通系统中的实时车型识别和车流量统计，提出了一种有效的车流量检测和车型识别算法。首先根据机动车道在视频图像中设置虚拟线圈作为检测区域，运用背景差分提取前景目标，并采用基于颜色和纹理的阴影检测方法去除所检测目标中的阴影部分。然后采用两步法进行车型识别并统计对应的车型的车流量。

将GRG图像转换到HSV空间，然后对HSV空间各分量分别进行处理，能够很好地去掉图像中存在的阴影区域。

视频的目标分割与阴影检测技术是计算视觉领域中最主要的研究方向之一。基于混合高斯模型，提出一种双重阴影消除策略，首先通过HSV模型下的颜色夹角确定疑似阴影，再对运动目标和疑似阴影进行混合高斯建模而消除实际阴影。通过实验表明，该策略在不影响目标识别的情况下可以较好的检测并消除在不同光照环境下的随伴运动目标阴影，具有较高的鲁棒性，从而能保证目标检测的连续性和准确性。

利用opencv ，可以实现运动目标的跟踪与阴影检测