1、“.....本文算法能够较好地检测到车辆视频中的运动车辆并分割出阴影区域。结语本文采用了针对视频车辆目标检测的准确识别算法，并结合基于纹理特征的阴影去除算法得到去掉阴影的运动目标。实验证明，此方法能够快速准确的在动态视频中分割出运动车辆和去除阴影，但是还存在定的不足，还没有考虑车子相互遮挡的情况，因此还需要不断改进。参考文献赵旭东，刘鹏，唐降龙，则如下用基于纹理的阴影检测能够较好地实现阴影检测，将这些标记为阴影点的像素从前景中去除，即可得到属于车辆的前景。实验结果及分析实验环境为内存，开发平台，运用进行编程实现。为了验证文中的阴影检测算法的性能，我们将多种阴影检测算法分别对样本数据进行检测......”。

2、“.....该视频阴影面积较大效果。基于纹理特征的阴影去除采用基于混合高斯模型的减背景方法得到目标区域，但该区域往往包含了运动车辆的投射阴影，需要进步去除阴影。实验发现，图像中运动车辆阴影区域纹理特征有以下特性对于图像中的浅阴影来说，纹理基本保持不变，而对于图像中的重阴影来说，几乎不存在纹理。根据这特性，我们利用阶梯度表示纹理，并运用算子计算每个像素点的阶梯度值，通过设定相应阈值区分阴基于混合高斯背景建模的运动目标提取本文采用混合高斯背景建模的减背景方法来实现运动车辆的提取。高斯混合模型的背景建模具体过程如下每个新像素值同当前个模型按下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在内如果所匹配的模式符合背景要求，则该像素属于背景......”。

3、“.....其中是学习速率，对于匹配的模式，否则，然后各模式的权重进行间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律。公式是由个基本高斯分布函数线性组合成的高斯混合模型。视频图像中的车辆检测及阴影去除方法研究论文原稿。目前对阴影的研究主要分为两类检测方法，即基于阴影模型和基于特征的方法。基于阴影模，像与背景图像相减得到图像。图像和分别为基于纹理特征颜色特征几何特征去除阴影后的图像。由检测结果可以看出，基于颜色特征的阴影去除算法不适合车辆图像，基于几何特征的阴影去除会引起车辆区域失真......”。

4、“.....结语本文采用了针对视频车辆目标检测的准确识别算法，并结合基于纹理特征的阴影去除算法得到去掉阴影的运动目标。实验证明，此像素点处的通道颜色值下标代表个颜色通道。根据阴影的特性，如果是重阴影处，阶梯度值应该接近为，而如果是浅阴影处，背景和当前帧梯度值相近，那么阴影的判断准则如下用基于纹理的阴影检测能够较好地实现阴影检测，将这些标记为阴影点的像素从前景中去除，即可得到属于车辆的前景。实验结果及分析实验环境为内存，开视频图像中的车辆检测及阴影去除方法研究论文原稿的方法依赖先验几何模型，如目标的维形状和光照模型。阴影的形状和位置都可以精确的计算出，但很难满足实施性需求。基于特征的方法是利用阴影的颜色梯度和纹理不变的特征来分割阴影......”。

5、“.....基于阴影纹理不变的特性来分割阴影适用于背景纹理清晰且均匀的情况。所以本文主要采用基于特征的方法，即基于纹理的算法来消除阴影。赖先验几何模型，如目标的维形状和光照模型。阴影的形状和位置都可以精确的计算出，但很难满足实施性需求。基于特征的方法是利用阴影的颜色梯度和纹理不变的特征来分割阴影。但当目标与阴影颜色相近时基于颜色特征的方法就不行了。基于阴影纹理不变的特性来分割阴影适用于背景纹理清晰且均匀的情况。所以本文主要采用基于特征的方法，即基于纹理的算法来消除阴影。在混合高斯背景模型中，认为像素的模式排列靠前选前个模式作为背景，满足下式，参数表示背景所占比例根据经验，学习速率要与视频帧率相配合，并考虑背景可能发生变化的频率。在般情况下，取能得到满意效果......”。

6、“.....但该区域往往包含了运动车辆的投射阴影，需要进步去除阴影。实验发现，图像中运动车辆阴影区域纹理特征有以下特性对于图像中的浅阴影来说，纹理基本，。视频图像中的车辆检测及阴影去除方法研究论文原稿。基于混合高斯背景建模的运动目标提取本文采用混合高斯背景建模的减背景方法来实现运动车辆的提取。目前对阴影的研究主要分为两类检测方法，即基于阴影模型和基于特征的方法。基于阴影模型的方法方法能够快速准确的在动态视频中分割出运动车辆和去除阴影，但是还存在定的不足，还没有考虑车子相互遮挡的情况，因此还需要不断改进。参考文献赵旭东，刘鹏，唐降龙，刘家锋种适应户外光照变化的背景建模及目标检测方法自动化学报，张红颖，李鸿......”。

7、“.....余孟泽，刘正熙，骆键融合纹理特征和阴影属性的阴影检测方法计算机工程与设计，平台，运用进行编程实现。为了验证文中的阴影检测算法的性能，我们将多种阴影检测算法分别对样本数据进行检测。样本数据为段学校入口的车辆视频，该视频阴影面积较大，但阴影亮度值较高，属于浅阴影。通过实验证明，针对该段视频，阴影检测的阈值选为，。图为不同算法进行车辆阴影检测时的结果。首先获得车辆视频帧图，对原始视频序列图像使用混合高斯模型进行背景建模，得到背景图像。将原始视频持不变，而对于图像中的重阴影来说，几乎不存在纹理。根据这特性，我们利用阶梯度表示纹理，并运用算子计算每个像素点的阶梯度值，通过设定相应阈值区分阴影和非阴影，实现车辆阴影的检测。根据算子......”。

8、“.....当前帧像素各通道水平和垂直方向的阶梯度计算如式和式所示。其中代表背景像素点处的通道颜色值代表当前视频图像中的车辆检测及阴影去除方法研究论文原稿的均值偏差在内如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景各模式权值按如下公式更新，其中是学习速率，对于匹配的模式，否则，然后各模式的权重进行归化未匹配模式的均值与标准差不变，匹配模式的参数按照如下公式更新如果步骤中没有任何匹配模式，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值各模式根据按降序排列，权重大标准差，引言在基于视频的车辆检及阴影去除方法研究论文原稿。在我们的研究中，的个颜色通道分别用个单独的高斯函数进行描述......”。

9、“.....即取值为。关键词车辆检测背景建模阴影去除中图分类号文献标识码文章编号刘家锋种适应户外光照变化的背景建模及目标检测方法自动化学报，张红颖，李鸿，孙毅刚基于混合高斯模型的阴影去除算法计算机应用，余孟泽，刘正熙，骆键融合纹理特征和阴影属性的阴影检测方法计算机工程与设计，但阴影亮度值较高，属于浅阴影。通过实验证明，针对该段视频，阴影检测的阈值选为，。图为不同算法进行车辆阴影检测时的结果。首先获得车辆视频帧图，对原始视频序列图像使用混合高斯模型进行背景建模，得到背景图像。将原始视频图像与背景图像相减得到图像。图像和分别为基于纹理特征颜色特征几何特征去除阴影后的图像。由检测结果可以看出，基于颜色特征的阴影去除算法不适合车辆图像，基于几何和非阴影，实现车辆阴影的检测......”。