CN107729830B - 基于背景特征的迷彩伪装效果检测计算方法 - Google Patents

Abstract

本发明属于计算机技术和军事工程伪装技术的交叉技术领域，涉及一种基于背景特征的迷彩伪装效果检测计算方法，可用于多种典型背景环境下军事目标的迷彩伪装效果检测计算。该发明利用结构、颜色、纹理和统计四个特征指标来代表目标与背景的相似度，为了客观、准确地评价迷彩伪装效果，设计了基于模糊聚类方法、并结合信息熵和统计特征的指标权重分配算法，用来确定各指标的权重值，计算出目标与背景的加权相似度。这种方法避免了评价指标过于单一，以及权重分配时的主观因素影响，且计算出的相似度结果与人眼视觉观察的结果极为接近，两者误差小于5％，有效地量化了伪装效果检测评价结果。

Description

基于背景特征的迷彩伪装效果检测计算方法

技术领域

本发明属于计算机技术和军事工程伪装技术的交叉技术领域，涉及一种基于背景特征的迷彩伪装效果检测计算方法，可用于多种典型背景环境下军事目标的迷彩伪装效果检测计算。

背景技术

在军事工程伪装中，常常利用迷彩伪装技术来使得伪装目标与周围背景之间的边缘模糊，使其融入背景中，从而减少被发现与攻击的危险。大斑点迷彩和自然纹理迷彩是早期使用的迷彩，随着计算机技术和军事作战数字化的发展，数字迷彩开始大量地在军事目标伪装中应用。数字迷彩伪装作为目前常用的一种伪装技术，是一种保障军事实力、对抗侦查探测与精确制导武器捕获的重要手段。

伪装与侦察之间的斗争是围绕目标与背景的差别来进行的，目标与背景之间存在的特征差别是目标暴露的根本原因。迷彩伪装效果的好坏将直接影响军事目标在战场上的生存能力，因此，检测迷彩的光学伪装效果是评价伪装技术的一个重要标准，也是迷彩伪装设计与优化的重要依据。

迷彩伪装效果通常有两个技术指标，一是目标的发现概率，二是目标与周围背景的特征相似度。

发现概率是指在特定的背景条件下，通过一定数量的观察者在一定的水平距离上发现和揭露出伪装目标的概率。目标发现概率是评价伪装效果的最基本参数，其值为百分比。国家军用标准《GJB 452.3-1988伪装服光学伪装性能及其检验方法伪装服发现概率试验方法》规定了在野外背景条件既定的距离上，通过判读人员识别伪装目标的被发现概率反映出迷彩的抗侦察能力，该方法在当前被普遍使用，例如在ZL201510358150中，就给出了这样的一份以目标的发现概率为目的的文件，但它需要大量试验样本和判读人员，试验成本高，受天气情况、周围背景以及判读人员的主观因素影响，存在一定的试验误差。

相似度是指目标与背景的图像特征的相似度，其值在[0，1]之间。目标与背景的特性差异越大，相似度就越小，则目标越容易从背景中区分出来。反之，目标与背景的相似度越高，则越难以将目标从背景中分离出来。国内科研人员提出基于小波纹理评价模型、基于高光谱评价模型和基于图像结构信息的评价模型等方法，该类方法针对特定环境背景的评价是有效的，但评价指标单一、实验结果不能客观反映出迷彩图案在不同背景下的伪装效果，缺乏通用性。

发明内容

本发明的目的是提供一种基于背景特征的迷彩伪装效果检测计算方法，以解决现有伪装效果评价方法中存在的试验成本高、评价指标单一的问题，以便提高伪装效果检测结果的科学性和准确性。

本发明所采用的技术方案是，一种基于背景特征的迷彩伪装效果检测计算方法，包括以下步骤：

(1)选定典型的背景区域，利用旋翼无人机锁定该区域进行航拍作业来模拟敌方空中可见光侦察，并获取原始背景图像；

(2)依据原始背景图像并参考《GJB 453-88坦克汽车火炮变形迷彩图册》及《GJB4004-2000陆军装备变形迷彩图册》设计大斑点迷彩、自然纹理迷彩和数字迷彩；

(3)选取一个待伪装目标并将其放置于步骤1所选定的背景区域内，重复步骤1中采集图像的过程，获取目标伪装前的效果图像；

(4)把步骤2中设计的三种迷彩分别实施到目标上，获取三种不同迷彩的目标伪装后的效果图像；

(5)挑选若干合适的判读人员对迷彩伪装场景进行判读实验，让判读人员在规定时间内从迷彩伪装后的效果图像中找出伪装目标，并记录能够正确判读的人员数目，正确判读者的人数与总判读者人数的比值即为伪装目标的发现概率；

(6)计算目标伪装后的效果图像和原始背景图像之间的特征相似度，包括结构相似度、纹理相似度、颜色相似度和统计相似度等特征指标，并依照这四种相似度指标进行权重分配，具体步骤如下：

取n个目标伪装后的效果图像进行指标计算并整理得到n×4完整指标矩阵。通过对样本对象的完整指标矩阵和去除某一指标后的非完整指标矩阵分别进行模糊聚类，并依据其聚类结果计算各指标信息贡献量和重要度，进而计算指标权重；

对指标矩阵进行归一化处理，并在此基础上运用相似系数法构造其相似矩阵，然后通过平方法将其改造为等价矩阵，生成并筛选水平截集，依据所得水平截集对指标矩阵进行聚类，所得聚类结果为S_i；

将完整的指标矩阵去除某一指标属性后，再次应用上述过程，并使用完整指标矩阵的水平截集进行聚类。将完整的指标矩阵分别去除每个指标属性后，应用上述聚类流程，得到4个聚类情形，其结果为S_j；

依据聚类结果S_i和S_j和公式(1)计算各指标的信息贡献量

计算各指标的标准差并依据公式(2)计算其重要度

M_j＝Q_j·ln(1.5+2σ) (2)

通过对各指标的重要度归一化得到权重分配，如公式(3)所示

利用计算得到的权重分配将各伪装目标效果图像的4个指标进行加权求和得到目标与背景的综合相似度；

(7)建立步骤(5)的发现概率数据和经步骤(6)计算得到的综合相似度数据之间的数学关系模型，并编制伪装效果检测系统。

上述步骤(7)中拟合出的相似度和发现概率数学公式如下

与现有技术相比，本发明的有益效果是：

1、本发明利用结构、颜色、纹理和统计四个特征指标来代表目标与背景的相似度，为了客观、准确地评价迷彩伪装效果，设计了基于模糊聚类方法、并结合信息熵和统计特征的指标权重分配算法，用来确定各指标的权重值，计算出目标与背景的加权相似度。这种方法避免了评价指标过于单一，以及权重分配时的主观因素影响，且计算出的相似度结果与人眼视觉观察的结果极为接近，两者误差小于5％，有效地量化了伪装效果检测评价结果。

2、本发明通过分析和计算目标与背景的加权相似度，以及目标的发现概率，找出了相似度和发现概率对应的数学关系，拟合出了两者的数学公式，且拟合效果达到96.7％。由此编制的伪装效果检测与评价系统，能够直观地获得目标的发现概率。

3、本发明所提出的伪装效果检测计算方法对于具有通用性，适用于武器装备、洞库仓库等固定目标在不同自然背景下的伪装效果检测与评价，同时，在迷彩设计阶段可以作为迷彩设计方案优化的参考依据。

附图说明

图1是本发明的系统框架图；

图2是本发明的权重分配算法流程图；

图3是本发明的两种原始目标背景；

图4是本发明中两种不同背景下的的迷彩设计图案；

图5是本发明中的无人机拍摄迷彩伪装目标照片；

图6是本发明的林地型和海洋型相似度和发现概率关系图；

图7是本发明的拟合函数曲线图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

如图1所示为本发明的基于背景特征的迷彩伪装效果检测计算方法实现框架，包括以下步骤：

1、本发明需要选定典型的背景区域，利用旋翼无人机锁定该区域进行航拍作业来模拟敌方空中可见光侦察，并获取原始背景图像。

2、依据原始背景图像并参考《GJB 453-88坦克汽车火炮变形迷彩图册》及《GJB4004-2000陆军装备变形迷彩图册》设计大斑点迷彩、自然纹理迷彩和数字迷彩。

3、选取一个待伪装目标并将其放置于步骤1所选定的背景区域内，重复步骤1中采集图像的过程，获取目标伪装前的效果图像。

4、把步骤2中设计的三种迷彩分别实施到目标上，获取三种不同迷彩的目标伪装后的效果图像。

5、挑选若干合适的判读人员对迷彩伪装后的效果图片进行判读实验，让判读人员在规定时间内从上述照片中找出伪装目标，并记录能够正确判读的人员。正确判读者的人数与总判读者数量的比值即为伪装目标的发现概率。

6、计算伪装目标效果图像和原始背景图像之间的特征相似度，包括结构相似度、纹理相似度、颜色相似度和统计相似度等特征指标，并依照这四种相似度指标进行权重分配，具体步骤如下：

取n个目标伪装后的效果图像进行指标计算并整理得到n×4完整指标矩阵。通过对样本对象的完整指标矩阵和去除某一指标后的非完整指标矩阵分别进行模糊聚类，并依据其聚类结果计算各指标信息贡献量和重要度，进而计算指标权重。其基本实现流程如图2所示。

由于不同指标的量纲和值域不同，需要对该指标矩阵进行归一化处理，并在此基础上运用相似系数法构造其相似矩阵，然后通过平方法将其改造为等价矩阵，生成并筛选水平截集。依据所得水平截集对指标矩阵进行聚类，所得聚类结果为S_i。

将完整的指标矩阵去除某一指标属性后，再次应用上述过程，并使用完整指标矩阵的水平截集进行聚类。将完整的指标矩阵分别去除每个指标属性后，应用上述聚类流程，得到4个聚类情形，其结果为S_j。

由信息论知，互信息I(y,x)表示x对y的信息贡献量，同理，

表示在截取水平(水平截集中的元素)为λ_k时，分类S_j对分类S_i的信息贡献量。由于S_j是删除了某一指标后进行模糊聚类得到的分类结果，当S_j对S_i贡献的信息量越大，就意味着该指标对聚类结果产生的影响越小。即聚类结果之间的互信息越大，该指标的信息贡献量就越小；聚类结果之间的互信息越小，该指标的信息贡献量就越大。通过构造在[0,+∞)上的单调减函数来完成互信息和各指标信息贡献的简单映射，本文采用的单调减函数为

定义某一指标的信息贡献量为

重新考察归一化之后的标准指标矩阵，发现对于样本的某一指标，即对应于标准指标矩阵中的某一列，其数值分布如果过于集中，可以认为该指标对评价结果的贡献较小；反之，如果数值分布较为分散，可以认为该指标有利于样本分类。引入标准差来修正互信息所产生的误差。

定义指标的重要度为

M_j＝Q_j·f(σ) (5)

其中σ为指标的标准差，f(σ)是关于σ的单调增函数。由于各指标的σ差异较大，特别是倍数差异过大，为了避免σ对权重施加过大的影响，需要缩小σ之间的倍数差异。f(σ)的设计需要满足缩小倍数差异的特征。本文取

f(σ)＝ln(1.5+2σ) (6)

将公式(6)带入公式(5)得到公式(2)。

M_j＝Q_j·ln(1.5+2σ) (2)

通过对各指标的重要度归一化得到权重分配，如公式(3)所示。

利用计算得到的权重分配将各伪装目标效果图像的4个指标进行加权求和得到目标与背景的综合相似度。

7、建立步骤5发现的概率数据和经步骤6计算得到的综合相似度数据之间的数学关系模型，并编制伪装效果检测系统。

下面结合具体实施例对本发明的基于背景特征的迷彩伪装效果检测方法进行详细说明：

实施例1

1、使用大疆Phantom 4无人机分别实地航拍20张林地背景照片和20张海洋背景照片，其中在南方某地区拍摄林地背景照片，见图3(b)，在北方某海域拍摄海洋背景照片，见图3(a)。航拍的高度和距离在0-100米左右、入射余角不大于45°、航拍方向位于光照方向的左右30°以内、太阳高度角大于30°、大气能见度10公里以上，画面无曝光和噪声出现。航拍的背景照片如图3所示。

2、使用图像处理软件Photoshop设计大斑点迷彩、自然纹理迷彩；使用Matlab软件和原始背景照片自动生成数字迷彩。其中三种迷彩的设计根据背景特征的不同分为六种迷彩：林地型大斑点迷彩、林地型自然纹理迷彩、林地型数字迷彩、海洋型大斑点迷彩、海洋型自然纹理迷彩和海洋型数字迷彩，照片的格式、亮度和色度等参数基本保持一致，如图4(a)-(f)所示。

3、将步骤2中设计的大斑点迷彩、自然纹理迷彩、以及数码迷彩图案分别实施到伪装目标上，并将伪装后的目标放置于背景区域，如图5所示。重复步骤1，获取目标伪装后的效果图像。每种迷彩的效果图各取15张，共90张图片，作为待检测的图片。

4、使用Matlab软件计算每张伪装照片中迷彩图案和背景的四个相似度指标，包括结构相似度、纹理相似度、颜色相似度和统计相似度，并计算各指标的权重分配，进而得到90组最终的综合相似度。六种迷彩的相似度测量数据、与试验测试对比数据，如表1和表2所示。

表1实施例1相似度测量结果

表2实施例1相似度测量结果

5、挑选30名合格的判读者，要求裸眼或矫正视力1.2以上、无色盲、体视正常，并通过既定的培训熟悉判读实验的各个步骤，避免虚报和错判。90张照片随机排列出现在色彩显示良好的计算机投影幕布上，判读人员依次坐在距离1m-2m的办公桌前进行判读。每张判读照片设定的固定时间均为3秒，若判读结束而未给出识别结果，则视为未发现目标并将结果记录在册。通过对判读数据进行处理计算，得出的相似度与发现概率统计表如表3所示、关系图如图6(a)、图6(b)所示；

表3实施例1相似度和发现概率统计表

6、由于发现概率和迷彩类型无关，故从30组数字迷彩的原始数据中选择20组有效的数据，利用Origin软件对这20组数据进行拟合，待拟合数据如表4所示。接着，利用Origin软件的最佳拟合优度和残差分析，对比线性拟合、指数拟合和非线性拟合这三种回归方程的实验效果，选择最优的拟合策略。其中，决定系数R²取值范围为[0,1]，若R²越接近1，表明拟合越好；残差分布均匀，在固定阈值范围内波动，无明显的数据偏离和分散，表明拟合效果越好。其对应的拟合效果统计表如表5所示。

表4实施例1优选20组相似度和发现概率数据

表5实施例1拟合效果统计表

从表5可以看出，非线性拟合策略的R²系数值最高，残差分布最均匀，说明拟合效果最好，其对应的拟合曲线如图7所示，其拟合出的相似度和发现概率数学公式如公式(4)所示：

结论：根据人眼视觉注意机制和伪装心理学可知，当迷彩伪装在背景中不被识别出，说明该迷彩在此背景下的伪装效果好。反之，则伪装效果差。从表1、表3中可以看出，在两种不同背景中：大斑点迷彩伪装的相似度最低、发现概率最高；自然纹理迷彩伪装的相似度和发现概率均居中；数字迷彩伪装的相似度最高、发现概率最低，且与前两者差距较大；从表2中可以看出，相似度计算值和人眼视觉测试值的误差在5％以内，从图6可以看出，迷彩伪装的相似度越高，其发现概率越低，两者成反比关系，符合实际人眼视觉侦查的结果。从表4中可以看出，本发明量化了伪装效果检测的结果，直观地呈现出数字迷彩较其他迷彩具有的良好伪装性能，且相似度达到0.7以上，发现概率达到0.6以下，达到不易被敌人发现和摧毁的目的。从图像识别的基本原理看，本实施例计算出的相似度与发现概率的数学关系同样适用于热红外和雷达等其他波段侦察领域的伪装效果检测。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (2)

1.基于背景特征的迷彩伪装效果检测计算方法，包括以下步骤：

(1)选定典型的背景区域，利用旋翼无人机锁定该区域进行航拍作业来模拟敌方空中可见光侦察，并获取原始背景图像；

(2)依据原始背景图像并参考《GJB 453-88坦克汽车火炮变形迷彩图册》及《GJB 4004-2000陆军装备变形迷彩图册》设计大斑点迷彩、自然纹理迷彩和数字迷彩；

(3)选取一个待伪装目标并将其放置于步骤(1)所选定的背景区域内，重复步骤1中采集图像的过程，获取目标伪装前的效果图像；

(4)把步骤(2)中设计的三种迷彩分别实施到目标上，获取三种不同迷彩的目标伪装后的效果图像；

(5)挑选若干合适的判读人员对迷彩伪装场景进行判读实验，让判读人员在规定时间内从迷彩伪装后的效果图像中找出伪装目标，并记录能够正确判读的人员数目，正确判读者的人数与总判读者人数的比值即为伪装目标的发现概率；

(6)计算目标伪装后的效果图像和原始背景图像之间的特征相似度，包括结构相似度、纹理相似度、颜色相似度和统计相似度等特征指标，并依照这四种相似度指标进行权重分配，具体步骤如下：

取n个目标伪装后的效果图像进行指标计算并整理得到n×4完整指标矩阵，通过对样本对象的完整指标矩阵和去除某一指标后的非完整指标矩阵分别进行模糊聚类，并依据其聚类结果计算各指标信息贡献量和重要度，进而计算指标权重；

对指标矩阵进行归一化处理，并在此基础上运用相似系数法构造其相似矩阵，然后通过平方法将其改造为等价矩阵，生成并筛选水平截集，依据所得水平截集对指标矩阵进行聚类，所得聚类结果为S_i；

将完整的指标矩阵去除某一指标属性后，再次应用上述过程，并使用完整指标矩阵的水平截集进行聚类；将完整的指标矩阵分别去除每个指标属性后，应用上述聚类流程，得到4个聚类情形，其结果为S_j；

依据聚类结果S_i和S_j和公式(1)计算各指标的信息贡献量

计算各指标的标准差并依据公式(2)计算其重要度

M_j＝Q_j·ln(1.5+2σ) (2)

通过对各指标的重要度归一化得到权重分配，如公式(3)所示

利用计算得到的权重分配将各伪装目标效果图像的4个指标进行加权求和得到目标与背景的综合相似度；

(7)建立步骤(5)的发现概率数据和经步骤(6)计算得到的综合相似度数据之间的数学关系模型，并编制伪装效果检测系统。

2.根据权利要求1所述的基于背景特征的迷彩伪装效果检测计算方法，其特征在于：步骤(7)中拟合出的相似度和发现概率数学公式如公式(4)所示：

Images