陰影是日常生活最常見(jiàn)的。太陽(yáng)升起來(lái)，照在桑干河上，河邊的景物便有了影子。

  圖3 陰影的形成與分類[1]

一般來(lái)說(shuō)，陰影有四類，如圖3所示。光照在物體上，被物體完全遮擋在地面形成的陰影稱為全影(Cast Shadow)；由于光源大小差異在全影以外形成的陰影稱為半影(Penumbra)；物體表面因光源變化而導(dǎo)致光的強(qiáng)弱變化，未被遮擋部分稱為陰影(Shading)，而被遮擋部分稱為附著陰影(Attached Shadow)。另外，如果把陰影的類型作為課堂習(xí)題，學(xué)生回答不上來(lái)拿不到滿分的時(shí)候，說(shuō)不定還會(huì)增加一個(gè)心理陰影。

陰影對(duì)人的認(rèn)知、人工智能的發(fā)展有著不可忽視的影響，利弊共存。

首先，人對(duì)陰影的認(rèn)知，并非與生俱來(lái)的。1到2歲的小孩發(fā)現(xiàn)腳下連著個(gè)影子時(shí)，并不會(huì)馬上明白這只是光學(xué)現(xiàn)象，反而可能會(huì)因?yàn)樗Σ坏舳a(chǎn)生短暫的恐懼感。成語(yǔ)中的“杯弓蛇影”也反映了影子對(duì)心理認(rèn)知的影響。那么，未來(lái)的機(jī)器人能賦予這種“心理陰影”的認(rèn)知能力嗎？

其次，陰影的存在為人類識(shí)別目標(biāo)的大小、遠(yuǎn)近、運(yùn)動(dòng)方向和數(shù)量等提供了參考，好的、壞的都有。它對(duì)許多人工智能的實(shí)際應(yīng)用也造成了不小的障礙。

舉例來(lái)說(shuō)，今年3月的首例無(wú)人駕駛車撞人致死事件就與之有一定關(guān)系，如圖4所示。從美國(guó)優(yōu)步(Uber)公司公開(kāi)的事故報(bào)告來(lái)看，當(dāng)時(shí)優(yōu)步無(wú)人車上的駕駛員把激光雷達(dá)測(cè)距儀關(guān)掉了，結(jié)果使得無(wú)人駕駛只能僅依賴攝像頭獲取的圖像來(lái)實(shí)現(xiàn)自主駕駛。由于夜幕對(duì)駕駛周邊環(huán)境形成的巨大陰影，推車的受害者在出現(xiàn)前被完全掩蔽在黑暗中。分析的結(jié)果表明，雖然視頻中人被檢測(cè)出來(lái)了，但低于閾值。不過(guò)，報(bào)告沒(méi)有提及在陰影中人是否被檢測(cè)出了。這些多少說(shuō)明，陰影的存在，使得智能駕駛系統(tǒng)在判斷目標(biāo)是否為人時(shí)的確定性顯著降低了。

由于確定性的降低，在等被害者從陰影中走出后，系統(tǒng)沒(méi)能輸出緊急剎車的指令，最終導(dǎo)致了慘劇的發(fā)生。這次事故也直接影響到了整個(gè)無(wú)人智能駕駛行業(yè)的研究。

圖4:  優(yōu)步無(wú)人駕駛事故中的4幀圖片

陰影對(duì)目標(biāo)的跟蹤和計(jì)數(shù)的干擾也很嚴(yán)重。如圖5(a)中，如果不能將車輛和其陰影分離，智能駕駛就無(wú)法精確定位車輛、車形和測(cè)距[2]。再如圖5(b)的計(jì)數(shù)問(wèn)題，如果缺乏好的陰影抑制或去除算法，則會(huì)影響對(duì)羊群的準(zhǔn)確計(jì)數(shù)，進(jìn)而可能影響某些人或智能機(jī)器人的“睡眠”。

圖5 (a) 未進(jìn)行陰影抑制的車輛檢測(cè)[2];

  (b)  陰影與羊群計(jì)數(shù)

但是，目前的陰影分離和去除仍沒(méi)有特別好的人工智能和計(jì)算機(jī)視覺(jué)算法[3]。有學(xué)者將陰影和實(shí)際圖像看成是兩個(gè)獨(dú)立變量，利用獨(dú)立分量分析(Independent Component Analysis)的技術(shù)來(lái)過(guò)濾和分離陰影。也有學(xué)者希望借顏色恒常知覺(jué)(Retinex)來(lái)設(shè)計(jì)算法去除陰影[4,5]。最近的深度學(xué)習(xí)技術(shù)，有考慮采用深度卷積網(wǎng)的[6]，也可以考慮采用“圖像+編輯”的思路、通過(guò)生成式對(duì)抗網(wǎng)絡(luò)或自編碼網(wǎng)絡(luò)來(lái)去除陰影。然而，由于陰影的多樣性，要構(gòu)造陰影去除的終極算法并不容易。更何況，這項(xiàng)研究在人工智能和計(jì)算機(jī)視覺(jué)領(lǐng)域本就屬于小眾研究。

另外，去除陰影也并非都是好的，因?yàn)殛幱皶?huì)幫助人們形成立體視覺(jué)，以及對(duì)觀測(cè)目標(biāo)距離的正確判斷。在這種情況下，過(guò)濾或消除陰影可能導(dǎo)致危險(xiǎn)的后果，尤其在智能駕駛中。比如圖6中，陰影的位置可以讓人對(duì)目標(biāo)的空間位置產(chǎn)生明顯不同的判斷。如果沒(méi)有陰影，就很難猜測(cè)紙到底是W形狀還是M形狀了[1]。

 圖6  筆的陰影對(duì)折紙結(jié)構(gòu)的幫助 [1]

值得指出的是，陰影如此有用，可將全部陰影類型均用于繪畫(huà)藝術(shù)的卻并不多。在繪畫(huà)中，用得最廣泛的是材料本身形成的陰影。而能反映物體運(yùn)動(dòng)和時(shí)間變化的全影(Cast shadow)則較少被使用。Jacobson和Werner曾分析了大量古代的繪畫(huà)作品，發(fā)現(xiàn)有兩幅表現(xiàn)這些變化的作品[7]。一幅是作者Giorgio de Chirico畫(huà)的“正午的教堂”。作者用長(zhǎng)長(zhǎng)的陰影配合明亮、正午的天空來(lái)形成永恒 (timelessness)的感覺(jué)。一幅是作者M(jìn)asaceio畫(huà)的“耶酥門徒猶大的故事”。他將猶大走路時(shí)形成的陰影畫(huà)成透明的，通過(guò)覆蓋在路邊信徒的身上來(lái)表達(dá)圣經(jīng)中曾經(jīng)描述過(guò)的神跡：猶大經(jīng)過(guò)的地方，路邊虔誠(chéng)信徒的頑疾會(huì)不治而愈。

圖7 正午的教堂(左) 和猶大用影子治愈信徒的故事(右)[7]

盡管全影能提供目標(biāo)的運(yùn)動(dòng)信息，Jacobson和Werner認(rèn)為這一信息很難在繪圖中被表現(xiàn)出來(lái)，因而全影在繪畫(huà)中是可有可無(wú)的(expendable)[7]。

類似地，在人工智能和計(jì)算機(jī)視覺(jué)領(lǐng)域，基于靜態(tài)陰影的研究相對(duì)多些，但基于陰影的變化來(lái)估計(jì)目標(biāo)的距離、形狀、運(yùn)動(dòng)速度等的文章則少了很多?？紤]到他能提供的豐富輔助信息，相信未來(lái)會(huì)有更多的學(xué)者會(huì)把動(dòng)態(tài)陰影的分析加入到人工智能的研究中。

陰影對(duì)自然界的生物也很重要。以昆蟲(chóng)為例，昆蟲(chóng)的背殼往往比其腹部要黑得多。當(dāng)其停在某處時(shí)，暗的背殼靠近光， 形成的陰影可以有效的掩蓋其腹部體征。按格式塔統(tǒng)一論，昆蟲(chóng)就變成一個(gè)整體，其立體感消失，變得完全不像一個(gè)固體的、三維的“東西”, 從而達(dá)到偽裝的效果 [8]。

這一特性實(shí)際上也可以為軍事領(lǐng)域的間諜和竊聽(tīng)昆蟲(chóng)所利用。尤其在不久的將來(lái)，隨著人工智能研究的快速發(fā)展，未來(lái)仿生機(jī)器人的體積將會(huì)更加微型化時(shí)。

那么，要發(fā)現(xiàn)這類仿生機(jī)器人，一個(gè)直接的辦法就是設(shè)法還原甚至放大其原有的立體感。一個(gè)最簡(jiǎn)單的辦法就是利用光線來(lái)主動(dòng)重建陰影。本人常受蚊蟲(chóng)困擾，不堪之余就會(huì)用強(qiáng)光手電筒來(lái)尋找隱藏在床角、椅凳下的蚊子，屢試不爽。原因也簡(jiǎn)單，強(qiáng)光能破壞蚊子的“陰影”，還原其立體結(jié)構(gòu)，甚至可以放大蚊子的尺寸。成功消滅蚊子的時(shí)候，偶爾也會(huì)想想，如果能將其重建陰影的過(guò)程自動(dòng)化，說(shuō)不定就能用于未來(lái)人工智能戰(zhàn)爭(zhēng)下的反竊聽(tīng)。這種方法的好處是不用增加昂貴且復(fù)雜的設(shè)備、簡(jiǎn)單易行，隨后的微小目標(biāo)識(shí)別只需用常規(guī)的目標(biāo)檢測(cè)技術(shù)即可實(shí)現(xiàn)。

不難看出，陰影對(duì)人類的認(rèn)知和人工智能都有著很重要的作用，但要利用好它卻并非易事。除了陰影外，還有什么簡(jiǎn)單因素，也會(huì)讓愛(ài)犯錯(cuò)的智能體繼續(xù)犯錯(cuò)呢？

張軍平

2018年8月14日

參考文獻(xiàn)：

1. P. Mamassian, D. C. Knill and D. Kersten. The perception of cast shadows. Trends in Cognitive Sciences, vol. 2, no. 8, 287-295, 1998.

2. A. Prati, I. Mikic, C. Grana and M. M. Trivedi. Shadow Detection Algorithms for Traffic Flow Analysis: A Comparative Study. in Proc. 4th IEEE Int. Conf. Intelligent Transportation Systems, Oakland, CA, Aug. 2001.

3. A. Sanin, C. Sanderson and B. C. Lovell. Shadow detection: A survey and comparative evaluation of recent methods. Pattern Recognition, vol. 45, issue 4, pages 1684-1695, 2012.

4. G. D. Finlayson, S. D. Hordley, and M.S. Drew. Removing shadows from images using Retinex. IS& TISID Tenth Color Image Conference. 2002.

5. E. H. Land. The Retinex theory of color vision. Scientific American, pages, 108-129, 1977.

6. S. H. Khan, M. Bennamoun, F. Sohel, and R. Togneri. Automatic shadow detection and removal from a single image. IEEE TPAMI, vol. 38, no. 3, 431-456, 2016.

7. J. Jacobson, and S. Werner. Why cast shadows are expendable: Insensitivity of human observers and the inherent ambiguity of cast shadows in pictorial art. Perception, vol. 33, pages. 1369-1383, 2004.

8. R. R. Behrens.  On Max Wertheimer and Pablo Picasso: Gestalt Theory, Cubism and Camouflage. Gestalt Theory: Journal of the GTA, vol. 20, no. 2, 109-118, 1998.