在获得重建的背景之后，可以根据当前图像和背景图像的差值求得运动目标。为了减少计算量和干扰，可以预先设定感兴趣区域，以后的处理只是在感兴趣区域进行。设视频序列图像为I(x，y)，当前的背景图像为I*(x，y)，背景差图像D(x，y)=||I(x，y)一I*(x，y)||。利用阈值来计算车辆图像像素模板图像：

式中：δ为一个较小的阈值，模板图像M(x，y)中的为1的点表示车辆图像区域，为0的点表示背景图像区域。单纯地利用灰度值差异来求取的车辆信息并不完整：若阈值选取过大，会使得车辆某些部分被认为是背景，使得车辆图像残缺，获得车辆的信息不准确，甚至是阴影部分的信息还没有消除，而车辆部分的信息却已经大部分消除(见图3)；若阈值选取过小，由于光照的原因形成的阴影会和车辆连接在一起，变成车辆的一部分(见图4)，但是这种方法可以很好地保留车辆的完整信息，只要可以把阴影部分的干扰消除，就可以达到很好的效果。因此，精确地去掉阴影在车辆信息的提取过程中起着关键的作用。

2 阴影检测及消除
    运动车辆和路面物体在光照作用下不可避免地产生阴影。静止物的阴影可通过背景差分去除，但由于镜头的抖动、静止物体的再活动等，阴影部分不可能完全去除而产生噪声(以下简称为外阴影)；目标车辆自身阴影及目标之间的投影(以下简称为内阴影)。本文采用基于粗糙集阴影边缘点分类的方法，较好地实现了阴影边缘的检测。
2．1 阴影边缘点的分类
    假设阴影区域和非阴影区域存在着一个过渡带，即认为边缘是有宽度的。
    (1)外阴影与内阴影的灰度相差较大通过大量图像发现：外阴影的平均灰度要比内阴影的平均灰度低，在同一浅色背景下表现为对比度大些。此时对求得的集合A1，A2(A1表示剔除噪声后，所有像素中梯度大的像素组成的集合；A2表示剔除噪声后，所有像素的最大邻域差值大的像素组成的集合。A1，A2即为需要的像素集合)。分别求K(x，y)，H(x，y)，K(x，y)为像素点的梯度，H(x，y)为邻域函数。在A1中，A<K(x，y)<B的值对应的像素点集为集合N。K(x，y)≥B的值对应的像素点集为M集合；在A2中，合理选取参数得C<H(x，y)<D对应的点集合为R，H(x，y)≥D对应的点集合为S，使得M与R，N与S尽可能相等。由此，可以初步得出N(=S)为外阴影边缘点，M(=R)为内阴影边缘点。
    (2)外阴影与内阴影的灰度相差不大这样求得的K(x，y)或H(x，y)不能分为两个较明显的区间，此时仅求H(x，y)即可。
2．2 部分假边缘点的处理
    如果外阴影和内阴影分布不均匀，即外阴影内部某些点的K(x，y)，H(x，y)恰好属于内阴影边缘点的，会产生误判。此时应在内阴影的M(R)中去掉这些点，方法如下：对内阴影边缘点集M(R)逐一进行统计，使该点向四周移动，若都能碰到属于外阴影边缘高梯度点(梯度大于或等于B的点)或高最大邻域灰度差的点(最大邻域灰度差大于或等于D的点)，则该点是外阴影的内部点，将其从内阴影边缘点集M(R)中去掉。这样，剩下的点均为真正的边缘点了。
2．3 边缘细化和连续
    因假设边缘是有宽度的，为更精确地检测边缘，需对边缘进行细化。具体方法是如果两个边缘点的梯度方向相同，且相互位于法线上，保留最大邻域差。这样可得到较高定位精度的细化边缘离散点。
    为将离散点连成线，需建立三叉树，依次检查M和N中每个像素点，根据不同方向，判断前趋点和后继点。对每一个边缘点确定了前趋点和后继点之后，即可从边线的起点出发，依次得到直线上的每个像素点，从而获得连续的阴影边缘，进而消除阴影。

3 结 语
    近年来，随着计算机、图像处理、人工智能、模式识别、视频传输等技术的不断发展，基于视频的车辆检测技术得到了越来越广泛的应用。
    本文在最常见的背景差分法的基础上，通过选取小阈值，获得含阴影部分的前景目标，利用基于粗糙集分类方法求得阴影边缘点，从而消除阴影。在此过程中，使用了一种云除假边缘点的方法，利用最大邻域灰度差及边缘梯度，既得到了真正的边缘点又去除了噪声，然后对边缘点进行了细化和连续，得到了单宽度的阴影边缘。该算法简单，易操作，精确度高，可用于实际应用中。