但是，HIS在道路出现阴影时起不到有效的作用，因此，必须增加额外的条件来提高作用效果，例如使用道路的形状限制来发现未检测到的阴影检测区。除此以外，还可以使用标准 RGB，但需要把更多的重点放在分类过程上。例如，可以用混合高斯法来进行道路建模。然而，选择适当数量的高斯并不容易，同时阴影的存在仍然是一个问题。 我们可以使用 RGB色彩空间来为道路和背景建一个模型，道路的变化可以用不同的直方图来表示，这些可以从帧到帧动态更新。这不是一个简单的过程，因为不断地产生新的直方图，代替旧的直方图，所以必须固定直方图的数量。背景可以用一个单一的直方图来建模。这样，来自一个框架下的背景像素可以用来建立下一帧中的背景模型，这是一种时间约束。因此会有误差产生，特别是在有其他车辆出现的情况下。 也可以考虑将几种颜色空间如 YUV，RGB,亮度等结合起来。每种颜色空间使用两种高斯混合模型：一个用来为道路建模，另一个用来为背景建模。然后每一个颜色空间获得的结果可以用比率的方法结合起来。然而，选择适当数量的高斯和背景建模都是比较棘手的问题。另外，该方法会受到道路形状的限制。 以上的这些方法通过利用道路的形状限制，时间限制或者复杂的模型来减轻光线的变化和阴影的问题。然而，这些假设和模型在许多常见的驾驶情况下失去了性能。例如，道路的形状限制很难适应复杂的道路形状（交叉或环形）或者道路边界不明显可见的情况（因为交通或者城市规划）。当驾驶发生突然的变化（加速或是减速，其他车辆的出现或消失）时，时间限制就会不起作用。 在本文中，我们的目标是使用有阴影存在的图片来进行道路检测。
此外，我们要避免使用道路形状限制或是时间限制来作为该算法的一部分。因此,我们可以将道路检测的前期工作过程分成两步来，第一步是使用由 VictorJ.D.Tsai 提出的 C1C2C3 颜色空间来进行阴影检测，我们都知道，在 RGB 彩色模型空间中，任何一种颜色都可由 RGB 三原色按照一定的比例构成，阴影区也不例外，因此阴影的光谱特性可以由颜色特性导出，光测量颜色特性可以用来描述阴影和亮区的颜色配置。 C1C2C3 是一个典型的光测量颜色不变量。 第二步，我们打算使用由 Finlayson 等人提出来的光照不变图像作为特征空间来进行道路阴影的消除。这种光照不变图像是利用常规相机（通常为窄带传感器）在一种普朗克光照下使真实情景成像（朗伯表面）。我们认为，阳光近似于普朗克光，道路表面可以认为是朗伯表面，普通的彩色摄像机近似于窄带。因此光照不变的特征空间适合于用来做道路阴影消除。 同时，在本文中，还涉及一些有关图像平滑的操作，图像平滑主要是为了消除被污染图像中的噪声 ，图像噪声是在图像处理中经常会遇到的问题，它的存在会使图像的质量下降，因此解决图像噪声问题在图像处理过程中是不可忽视的。  

无人驾驶车辆视觉导航中干扰阴影的检测与消除方法研究 (2):http://www.youerw.com/jisuanji/lunwen_65872.html