CN109447954B - 一种基于核密度估计的伪装效果评估方法 - Google Patents

一种基于核密度估计的伪装效果评估方法 Download PDF

Info

Publication number
CN109447954B
CN109447954B CN201811181565.9A CN201811181565A CN109447954B CN 109447954 B CN109447954 B CN 109447954B CN 201811181565 A CN201811181565 A CN 201811181565A CN 109447954 B CN109447954 B CN 109447954B
Authority
CN
China
Prior art keywords
disguising
density estimation
background
image
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811181565.9A
Other languages
English (en)
Other versions
CN109447954A (zh
Inventor
宫久路
谌德荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201811181565.9A priority Critical patent/CN109447954B/zh
Publication of CN109447954A publication Critical patent/CN109447954A/zh
Application granted granted Critical
Publication of CN109447954B publication Critical patent/CN109447954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于核密度估计的伪装效果评估方法。该方法包括：自动获取目标尺寸的背景子区域；计算图像的特征向量并利用相似性度量方法计算样本距离；计算核密度估计模型的参数，构建背景特征分布模型；计算目标特征在背景特征分布模型中的匹配概率，进而计算特征的识别概率；比较伪装前后特征的识别概率来评估伪装效果。与当前伪装评估方法相比，本发明具有不依赖人工判读、所需样本数据量少、且能够适用于当前任意识别特征等优点。

Description

一种基于核密度估计的伪装效果评估方法
技术领域
本发明属于计算机图像处理领域，特别是涉及一种基于核密度估计的伪装效果评估方法。本发明的方法可用于方便准确地评估目标的伪装效果。
背景技术
伪装效果评估对我国国防领域具有很重要的意义，可以有针对性的指导我军根据作战环境的要求对伪装进行强化。图像传感器具有探测距离长、非接触等优点，目前已广泛应用于现代武器装备中，因此基于图像的伪装效果评估具有很重要的军事意义。
当前的目标识别技术不具有通用性，主要是针对具体场景下的识别任务开展的研究，因此伪装技术需要针对特定的识别方法进行改进。目前现有的基于图像的伪装效果评估的方法包括光谱分析方法、目标与背景相似度评价方法、基于图像特征的伪装效果评估方法等。这些评估方法往往有着依赖人工判读、需要大量的样本数据进行训练、不具备通用性等缺点。
在文献“图像特征的伪装效果评估技术”中，崔宝生从图像的统计、形状和纹理三个方面分别筛选并提取目标及背景的特征值，采用BP神经网络建立了伪装效果量化评估模型，利用大量工程伪装检测数据对模型进行了训练、验证和测试。该模型具有良好的科学性和可靠性，能够有效消除伪装效果评估过程中由操作人员主观因素对评估结果造成的影响。但机器学习的方法需要大量的训练样本，难以应用于军事任务。
在中国专利CN201510358150.4“一种迷彩伪装效果评价方法”中，通过判断观察者对每一种待评价迷彩在不同背景环境中判断正确率平均值和反应时间平均值来评估伪装效果。该方法操作简单、成本较低、适用背景广，既能有效提高实验结果准确性，又能有效增加实验结果的全面性。但该方法依赖于人工判读，对观察者的要求较高，需要大量的观察者数据才能保证结果的准确性，而且耗费时间较长。
发明内容
针对现有技术中存在的不足，本发明提出一种基于核密度估计的伪装效果评估方法，能够利用有限的图像信息进行伪装效果评估，不依赖人工判读，且能够适用于当前任意识别特征。
本发明解决其技术问题所采取的技术方案是：
一种基于核密度估计的伪装效果评估方法，包括如下步骤：
(1)输入伪装前的图像，大小为m×n，其中m为伪装前的图像包含的行数，n为伪装前的图像包含的列数，选择要进行分析的识别特征；
(2)在图像中指定目标区域T，大小为a×b，其中a为目标区域图像包含的行数，b为目标区域图像包含的列数，自动从非目标区域的其他位置随机生成N个a×b大小的子区域作为背景样本Bi；
(3)利用选定的特征提取算法提取目标区域及背景样本中的特征向量；
(4)利用核密度估计的方式构建背景特征分布模型；
(5)计算特征的识别概率；
Figure BDA0001825116620000021
其中，p(d)为识别概率，fT(x)为目标区域对应特征的概率密度函数，fB(x)为背景区域对应特征的概率密度函数，
Figure BDA0001825116620000022
表示目标特征与背景特征分布模型之间的匹配概率；ro表示待检测样本与特征中心之间的距离；
(6)输入伪装后的图像，重复步骤(2)——步骤(5)，以伪装前后特征的识别概率对比来评估伪装效果，若伪装后特征的识别概率降低，则说明该伪装方法适用于当前所选特征。
所述的步骤(4)中的模型构建方法如下：
步骤1：利用相似性度量方法计算背景特征向量间的样本距离；
步骤2：选择高斯核作为核密度估计模型的核函数；
Figure BDA0001825116620000023
其中K(u)为以u为自变量的高斯核函数；
步骤3：计算核密度估计的最优带宽hopt，在实际操作中，我们把密度函数p(x)看成正态分布去求解；
Figure BDA0001825116620000024
其中，N为样本数量，σ为高斯函数的标准差；
步骤4：构建核密度估计模型，在任意点x处的核密度估计定义如下：
Figure BDA0001825116620000025
其中
Figure BDA0001825116620000026
为以
Figure BDA0001825116620000027
为自变量的高斯核函数，xi为第i个样本值。
由于采用了上述的技术方案，本发明的有益效果是：与当前伪装评估方法相比，本发明能够利用有限的信息完成目标伪装效果的评估，不依赖于人工判读，且具有较强的通用性，能够适用于当前任意的识别特征。
附图说明
图1是本发明的基于核密度估计的目标特性分析方法算法流程图。
具体实施方式
下面结合附图和一个典型的具体实施方式对本发明的基于核密度估计的目标特性分析方法做详细说明，该算法具体包括如下部分：
输入伪装前的图像，大小为m×n，选择要进行分析的特征，该特征可以是：像素级特征，如灰度图像的灰度亮度值和彩色图像中用于描述每一个点色彩的向量；像素块级特征，如边缘特征、纹理特征和点特征等；区域特征，如梯度方向直方图等。
指定目标区域T，大小为a×b，自动从其他区域随机生成N个a×b大小的区域作为背景样本Bi。
利用选择的特征提取选取方法提取目标区域的特征向量T，提取背景区域的特征向量B1，B2···Bn，其中T和Bi均为多维度的向量。以灰度特征为例，采用灰度直方图作为特征描述方法。依次扫描每一个像素，统计每个灰度级或灰度区间包含像素的个数，得到
Figure BDA0001825116620000031
其中rk为第k个灰度级或灰度区间，nk为落入灰度区间rk的像素个数，M为像素数量，对于T和Bi，M＝a×b。分别提取目标区域T和背景区域B1，B2···Bn的灰度特征，得到灰度直方图hT和
Figure BDA0001825116620000032
计算背景区域灰度特征均值
Figure BDA0001825116620000033
然后利用直方图距离计算
Figure BDA0001825116620000034
与
Figure BDA0001825116620000035
之间距离xi，计算hT与
Figure BDA0001825116620000036
之间距离xT。直方图距离通过计算两个直方图的归一化相关系数(巴氏距离)来完成相似性度量，直方图h1＝[h11,h12,…,h1n]和h2＝[h21,h22,…,h2n]之间距离为：
Figure BDA0001825116620000041
其中h1i为h1的第i个分量。
计算样本间的标准差
Figure BDA0001825116620000042
Figure BDA0001825116620000043
计算核密度估计的最优带宽
Figure BDA0001825116620000044
选择高斯核
Figure BDA0001825116620000045
作为核函数，构建核密度估计模型，任意一点x处的核密度估计定义为：
Figure BDA0001825116620000046
计算特征的识别概率
Figure BDA0001825116620000047
输入伪装后的图像并计算所选特征的识别概率p(d)',与p(d)进行对比来评估伪装效果。
应当认识到，以上描述只是本发明的一个特定实施例，本发明并不仅仅局限于以上图示或描述的特定的结构，权利要求将覆盖本发明的实质精神及范围内的所有变化方案。

Claims (2)

1.一种基于核密度估计的伪装效果评估方法，其特征在于，包括如下步骤：
(1)输入伪装前的图像，大小为m×n，其中m为伪装前的图像包含的行数，n为伪装前的图像包含的列数，选择要进行分析的识别特征；
(2)在图像中指定目标区域T，大小为a×b，其中a为目标区域图像包含的行数，b为目标区域图像包含的列数，自动从非目标区域的其他位置随机生成N个a×b大小的子区域作为背景样本Bi；
(3)利用选定的特征提取算法提取目标区域及背景样本中的特征向量；
(4)利用核密度估计的方式构建背景特征分布模型；
该步骤中的模型构建方法如下：
步骤1：利用相似性度量方法计算背景特征向量间的样本距离；
步骤2：选择高斯核作为核密度估计模型的核函数；
Figure FDA0003107782710000011
其中K(u)为以u为自变量的高斯核函数；
步骤3：计算核密度估计的最优带宽hopt，在实际操作中，把密度函数f(x)看成正态分布去求解；
Figure FDA0003107782710000012
其中，N为样本数量，σ为高斯函数的标准差；
步骤4：构建核密度估计模型，在任意点x处的核密度估计定义如下：
Figure FDA0003107782710000013
其中
Figure FDA0003107782710000017
为以
Figure FDA0003107782710000014
为自变量的高斯核函数，xi为第i个样本值；
(5)计算特征的识别概率；
Figure FDA0003107782710000015
其中，p(d)为识别概率，fT(x)为目标区域对应特征的概率密度函数，fB(x)为背景区域对应特征的概率密度函数，
Figure FDA0003107782710000016
表示目标特征与背景特征分布模型之间的匹配概率；ro表示待检测样本与特征中心之间的距离；
(6)输入伪装后的图像，重复步骤(2)——步骤(5)，以伪装前后特征的识别概率对比来评估伪装效果，若伪装后特征的识别概率降低，则说明该伪装方法适用于当前所选特征。
2.根据权利要求1所述的方法，其特征在于：所述的步骤1的相似性度量方法需要与相应的特征提取算法匹配，能够计算对应的特征向量间的样本距离。
CN201811181565.9A 2018-10-11 2018-10-11 一种基于核密度估计的伪装效果评估方法 Active CN109447954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811181565.9A CN109447954B (zh) 2018-10-11 2018-10-11 一种基于核密度估计的伪装效果评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811181565.9A CN109447954B (zh) 2018-10-11 2018-10-11 一种基于核密度估计的伪装效果评估方法

Publications (2)

Publication Number Publication Date
CN109447954A CN109447954A (zh) 2019-03-08
CN109447954B true CN109447954B (zh) 2021-07-23

Family

ID=65545169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811181565.9A Active CN109447954B (zh) 2018-10-11 2018-10-11 一种基于核密度估计的伪装效果评估方法

Country Status (1)

Country Link
CN (1) CN109447954B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667611B (zh) * 2020-12-23 2023-01-31 国网江苏省电力有限公司无锡供电分公司 一种电动汽车充电行为特征分析方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440389A (zh) * 2013-08-31 2013-12-11 西安电子科技大学 基于全链路的红外伪装效果仿真系统及评估方法
CN104966310A (zh) * 2015-06-25 2015-10-07 中国人民解放军总后勤部军需装备研究所 一种迷彩伪装效果评价方法
CN107452019A (zh) * 2017-08-08 2017-12-08 重庆跃途科技有限公司 一种基于模型切换的目标检测方法、装置、系统及存储介质
CN108537788A (zh) * 2018-04-06 2018-09-14 中国人民解放军92942部队 迷彩伪装效果评测方法及装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9330315B2 (en) * 2012-08-22 2016-05-03 International Business Machines Corporation Determining foregroundness of an object in surveillance video data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440389A (zh) * 2013-08-31 2013-12-11 西安电子科技大学 基于全链路的红外伪装效果仿真系统及评估方法
CN104966310A (zh) * 2015-06-25 2015-10-07 中国人民解放军总后勤部军需装备研究所 一种迷彩伪装效果评价方法
CN107452019A (zh) * 2017-08-08 2017-12-08 重庆跃途科技有限公司 一种基于模型切换的目标检测方法、装置、系统及存储介质
CN108537788A (zh) * 2018-04-06 2018-09-14 中国人民解放军92942部队 迷彩伪装效果评测方法及装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A texton-based kernel density estimation approach for background modeling under extreme conditions;C.Spampinato etc.;《Computer Vision and Image Understanding》;20140531;第122卷;全文 *
伪装效果评价模型的图像纹理特征提取方法;见超超等;《指挥控制与仿真》;20170630;第39卷(第3期);全文 *
图像特征的伪装效果评估技术;崔宝生等;《红外与激光工程》;20101230;第39卷(第6期);全文 *

Also Published As

Publication number Publication date
CN109447954A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN108776779B (zh) 基于卷积循环网络的sar序列图像目标识别方法
CN106909941A (zh) 基于机器视觉的多表字符识别系统及方法
Yoon et al. LFIQ: Latent fingerprint image quality
CN110991389B (zh) 判断目标行人在非重叠相机视角中出现的匹配方法
CN110148162A (zh) 一种基于复合算子的异源图像匹配方法
CN102096824B (zh) 基于选择性视觉注意机制的多光谱图像舰船检测方法
CN109584193A (zh) 一种基于目标预提取的无人机红外与可见光图像融合方法
Fan et al. SAR image registration using multiscale image patch features with sparse representation
CN108960142B (zh) 基于全局特征损失函数的行人再识别方法
US9129152B2 (en) Exemplar-based feature weighting
CN112215201A (zh) 评估人脸识别模型、针对图像的分类模型的方法及装置
CN114067444A (zh) 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统
CN107862680B (zh) 一种基于相关滤波器的目标跟踪优化方法
CN106485651A (zh) 快速鲁棒性尺度不变的图像匹配方法
CN111709313A (zh) 基于局部和通道组合特征的行人重识别方法
CN109766748B (zh) 一种基于投影变换与字典学习的行人再识别的方法
CN112488211A (zh) 一种织物图像瑕疵分类方法
CN110633727A (zh) 基于选择性搜索的深度神经网络舰船目标细粒度识别方法
CN110766657B (zh) 一种激光干扰图像质量评价方法
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN109447954B (zh) 一种基于核密度估计的伪装效果评估方法
CN106778899A (zh) 一种基于统计相关的快速互信息图像匹配方法
CN106897730A (zh) 基于融合类别信息与局部保持投影的sar目标型号识别方法
Li et al. Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network
CN117115436A (zh) 舰船姿态检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Gong Jiulu

Inventor after: Chen Derong

Inventor before: Gong Jiulu

Inventor before: Yan Lei

Inventor before: Chen Derong

Inventor before: Wang Pengfei

Inventor before: Peng Linke

Inventor before: Hu Honghua

Inventor before: Chen Qian

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191108

Address after: 100081 No. 5, Zhongguancun South Street, Haidian District, Beijing

Applicant after: BEIJING INSTITUTE OF TECHNOLOGY

Address before: 100081 No. 5, Zhongguancun South Street, Haidian District, Beijing

Applicant before: BEIJING INSTITUTE OF TECHNOLOGY

Applicant before: BEIJING HANGYU TIANQIONG TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant