随着科技的发展,时代不断的进步,计算机视觉技术、高速的网络通信技术和电子技术也在不断向前发展。智能交通系统(Intelligent Transportation System,简称ITS)在城市交通的合理规划和管理中发挥着越来越强大的作用。在基于视频帧的序列图像中,运动车辆目标的定位、识别、测速、跟踪是智能交通系统研究的重点之处。智能交通系统要解决的首要问题是进行运动车辆检测,检测的结果会直接影响车辆的后续处理。通常所使用的目标检测算法,很容易将阴影部分当成前景检测出来。所以,能否成功地去除阴影,会直接影响到车辆的检测结果的准确度。本文通过分析阴影的形成原理和颜色属性的特性,提出了一种基于颜色属性的阴影去除方法。由于,光线一般都是平行的直线,离车越近的地方遮挡越大,阴影也就越深,离车远的地方,遮挡相对较小,阴影较轻。颜色属性(即颜色名)是从现实的生活世界中学习得到的。通过Google图像搜索引擎为每个颜色名搜索一定数量的图像数据集,然而,这些数据集中存在着许多错误的正样本。因此,采用概率潜在语义分析模型(PLSA)学习颜色名。该方法利用了颜色属性可以将一张图像映射成边界清晰、颜色分明、不存在渐变像素点的图像,且图像能够很好地保证原有图像的完整性。根据这一特性,可以将较深的阴影部分与车辆映射成不同的颜色块。同时,将映射后的图像进行二值化处理,以达到去除较深的阴影目的。由于,颜色属性是对整幅图像进行处理,会将周围的环境也映射成前景区域。从而很难确定目标所在的位置,以及无法将阴影完全去除。所以,本文结合了基于高斯模型的背景差分。首先,检测出运动车辆,以极大地减小要处理的前景区域。同时,对背景差分的结果进行了形态学上的腐蚀操作,以减少前景边缘部分的噪声。将背景差分与帧问差分结果进行逻辑与操作,在保证车辆目标完整性的前提下,去除周围环境噪声的影响。同时,为了较少内部和边缘孤立的噪声,采用腐蚀操作将其去除,为了减少内部的空洞现象,采用形态学上的膨胀操作。最后,根据阴影区域具有连通性的特性,对车辆区域进行填充,以得到更加精确的车辆目标。