一種基于特征統(tǒng)計的動態(tài)偽裝效果評估方法

楊鑫, 許衛(wèi)東, 賈其

(陸軍工程大學 野戰(zhàn)工程學院， 江蘇 南京 210007)

0 引言

現代戰(zhàn)爭中，隨著偵察監(jiān)視技術的不斷發(fā)展以及精確制導武器的廣泛使用,國防工程等固定式目標面臨越來越大的生存威脅。偽裝作為一種重要作戰(zhàn)保障措施，所面臨的偵察監(jiān)視和目標捕獲等威脅正變得愈來愈嚴重。如何科學、全面、準確地評估偽裝效果變得非常重要。偽裝效果評估體系內涵豐富，其中偽裝目標在單臺偵察器材探測下的評估方法——設計級偽裝效果評估，長期以來為業(yè)界所重視[1]。設計級偽裝效果評估目前主要有兩種思路：一種是基于人員對目標發(fā)現概率的判讀統(tǒng)計，該方法受觀察人員的經驗、生理條件的影響比較大；另一種是基于數字圖像處理的方法，通過數字圖像中偽裝目標與周圍背景的特征差別，分析偽裝效果。基于這種思路，人們以圖像區(qū)域的亮度、紋理、形狀和結構等為特征進行計算處理；也有人基于心理學建立相應的刺激函數，或者基于反向傳播(BP)神經網絡進行特征組合[2-5]。這些方法均屬于單幅靜止圖像的特征評估。

實際工程中，偽裝效果評估結果受到偵察器材角度、偵察環(huán)境以及目標和背景特性變化等因素的影響。例如在不同條件下偵察，目標和背景亮度、顏色、斑點形狀等特性均有不同，但是符合一定的變化規(guī)律。因此偽裝效果評估應具備動態(tài)性、統(tǒng)計性等特點。本文正是基于目標跟蹤和特征統(tǒng)計技術，提出一種動態(tài)偽裝效果評估方法。

1 動態(tài)評估過程分析

1.1 連續(xù)偵察過程分析

實際偵察過程中，敵方偵察人員往往會從不同角度、在不同條件下對目標實施連續(xù)偵察。偵察過程如圖1所示。相比于靜態(tài)的單角度偵察過程，一方面，偵察員能夠聯系前后不同幀之間的圖像關系，分析目標的特性；另一方面，目標在不同角度、不同條件下的斑點形狀、顏色亮度等特征也不同。因此評估過程也應具備對連續(xù)圖像分析的特性。

1.2 特征提取

目標發(fā)現過程的實質可抽象為通過特征的提取和比對，分割目標與背景區(qū)域的過程。人眼對圖像底層特征的提取主要包括亮度、顏色、紋理和斑點形狀等。亮度和顏色的分布特性表征不同頻率的光譜反射特性和背景空間分布及其組合規(guī)律。斑點形狀特性是視覺上很重要的特征，可以通過矩形度、圓形度、形狀描述子等方法描述。紋理是一種區(qū)域特征，可通過定量方式對紋理結構進行描述，如灰度共生矩陣等。工程實踐中，應結合目標具體的特性選擇相應的特征提取算法。

圖1 連續(xù)偵察流程示意圖Fig.1 Flow chart of continuous reconnaissance

從評估的角度分析，劃分目標與背景區(qū)域較合理的方法是文獻[6]所提出的8聯通域法，如圖2所示。該方法只考慮目標區(qū)域附近的背景，并非將全部圖像區(qū)域劃為背景區(qū)域，從而符合人眼判讀的規(guī)律。尤其對于斑駁背景而言，目標僅融于臨近背景，與遠區(qū)域背景無關。考慮到運算的簡潔性，本文使用矩形對目標區(qū)域進行分割且采用圖2中對背景區(qū)域的編號順序編號。

圖2 目標與背景區(qū)域的8聯通域劃分圖Fig.2 Eight-way domain partition map of target and background area

1.3 統(tǒng)計與評估

同一目標的特征數據會受到光照、天氣、觀察角度等隨機因素的影響。由中心極限定律可知，各種隨機因素的疊加可近似認為其符合高斯分布。因此，統(tǒng)計偽裝良好狀態(tài)下的特征數據可以得到概率密度函數的參數，并由此建立多特征聯合概率密度函數。評估過程即計算聯合概率密度值，并通過設定的閾值比較，確定偽裝效果等級。不同于以往的偽裝效果評估方式，基于特征統(tǒng)計的偽裝效果評估方法利用了目標特征的先驗知識，能夠更加客觀地體現目標狀態(tài)。

由于有8個背景區(qū)域，若收集到M幀樣本數據，需計算R個特征的分布參數，聯合分布的維度為8×R維，其均值和方差估計公式如下：

(1)

(2)

式中：aijk表示第k幀、第j個背景、第i個特征的值。由于標準正態(tài)分布的公式為

(3)

對于待檢測幀o，可以計算反映目標與背景特征關系變化的歸一化聯合概率密度：

(4)

2 目標跟蹤模型

在目標與背景分割過程中，為保證前后兩幀目標區(qū)域位置準確，必須使用目標跟蹤算法。現有目標跟蹤算法可以分為4類:基于主動輪廓的跟蹤、基于特征的跟蹤、基于區(qū)域的跟蹤和基于模型的跟蹤[7]。其中，基于特征的跟蹤算法優(yōu)點在于對運動目標尺度、形變和亮度等變化不敏感[8]。本文選用基于灰度直方圖特征的Mean shift均值漂移跟蹤算法[9]，應用密度梯度的非參數估計原理實現對移動目標區(qū)域的快速跟蹤。

2.1 模型表示

(5)

(6)

(7)

(8)

建立目標模型時，采用Epanechikov核函數：

(9)

設在k-1幀時目標所在的中心區(qū)域為f0、候選目標中心區(qū)域為f，核函數窗口大小為h，則候選區(qū)域的概率為

(10)

2.2 相似性表達

在相似性度量方面，采用Bhattacharyya系數建立概率密度函數如下：

(11)

2.3 迭代過程

對概率密度函數進行泰勒展開后化簡，可以得到其近似表達：

(12)

式中：

(13)

對(12)式求導并整理后，可以得到迭代后的坐標位置ft+1：

(14)

通過限制迭代次數或設定迭代變化閾值結束迭代過程。設迭代結束后的位置為fe，可以計算出新一幀目標的移動Δf為

Δf=fe-f0.

(15)

3 樣本更新策略

為了適應氣候更替、太陽角度變化等自然因素引起的背景區(qū)域緩慢變化，采用一種隨機更新的策略更新樣本庫。具體過程如下：當某一幀的前v幀被分類為背景點時，就有τ的概率來更新樣本庫，在樣本集中隨機選擇一個樣本填充更新。τ為樣本庫的更新概率，值越大、更新越及時。在選擇要替換樣本集中的樣本時，隨機選取一個樣本值進行更新，可以保證樣本值的平滑生命周期。設樣本庫大小為N，由于是隨機更新，一個樣本值在時刻t不被更新的概率是(N-1)/N. 設時間是連續(xù)的，則在dt時間過去后樣本值仍然保留的概率為

(16)

(16)式表明,在該策略下樣本是否被替換的概率與時間因素無關。

4 模型建立與實驗分析

4.1 模型建立

(17)

(18)

(19)

第4種為目標與背景區(qū)域的峰值信噪比[10]：

(20)

(21)

第5種為感知哈希相似度，將圖像縮小為8×8階灰度矩陣后得到x′ij和y′ij，分別計算x′ij和y′ij的均值并獲得感知哈希相似度的計算公式：

(22)

(23)

(24)

式中：⊕表示異或運算；b函數的計算公式為

(25)

第6種為圖像相關性運算[11-12]：

(26)

根據上述模型所述，編制相應的MATLAB程序并進行計算驗證。算法的特征參數提取流程圖如圖3所示。讀入訓練數據后，選出目標區(qū)域，得到背景8聯通域(若背景處于邊緣地區(qū)導致無法獲取完整的8聯通域，則丟掉此幀)。一邊跟蹤一邊計算特征，得到均值方差并建立歸一化聯合分布。效果評估過程的算法流程圖如圖4所示。讀入待檢測數據并獲取8聯通域，將其特征代入歸一化聯合分布函數，計算聯合概率密度。由于其值波動范圍為0～6.94×10-20，不利于閾值的設定。為增強密度值的靈敏度，對結果先放大10倍，再取對數，具體過程如下：

(27)

圖3 聯合分布建立過程流程圖Fig.3 Flow chart of joint distribution process

圖4 偽裝效果評估過程流程圖Fig.4 Flow chart of camouflage effect evaluation process

通過對數放大概率限定數值變化范圍為-∞～66.41. 由此可以看出，數據的變化范圍明顯變大，能夠有效減少計算誤差。為了有效區(qū)分不同的偽裝效果狀態(tài)，并考慮到高斯分布的3σ準則，將結果劃分為3個偽裝等級，分別為1級偽裝(r≥0)、2級偽裝(0>r≥-1 000)、3級偽裝(r<-1 000)。

4.2 實驗過程與結果分析

實驗過程于2018年3月中旬在南京市南郊某地進行，對某一指揮車實施連續(xù)的空中成像采集。飛行器高度50 m左右，飛行條件分別選取早晨、中午、下午、晴天、陰天等時間段或天候。將偽裝完成后采集的數據作為訓練樣本(見圖5)，設置1級偽裝、2級偽裝和3級偽裝3種偽裝狀態(tài)測試模型的區(qū)分能力。隨機地從不同天候、時間段等實驗條件下抽取25幀3類數據作以展示。

計算并繪制的樣本特征范圍統(tǒng)計直方圖如表1所示。表1中橫向對應8個背景區(qū)域、縱向對應6種特征，共計48幅直方圖。表2所示為特征的均值與方差，即聯合高斯分布的均值與方差。綜合表1和表2可見，由于數據量較少，其分布規(guī)律不是很明顯，但是基本符合高斯分布的曲線特征：特征數據總體上分布得比較緊湊，沒有分散現象，表明目標與區(qū)域背景的特征數據分布規(guī)律能夠用高斯分布近似地表達。

圖5 實驗數據中的3種偽裝狀態(tài)Fig.5 Three camouflage states in the experimental data

表2 樣本特征的均值與方差統(tǒng)計表

背景編號均值與方差特征值ρ1ρ2ρ3ρ4ρ5ρ61μ0.73900.37550.684122.478433.29000.0117σ0.07110.11420.05690.39744.89860.07392μ0.86490.83420.949623.505926.9050-0.1364σ0.04210.05240.01310.30253.26330.04483μ0.74820.47010.704821.421134.02000.0345σ0.07870.10290.09701.00884.18420.08514μ0.31840.19700.414618.734734.15500.0773σ0.04650.03600.04320.15513.56010.11665μ0.14420.28130.555718.095827.6900-0.0815σ0.07910.13810.12770.50522.90970.05316μ0.12990.14680.304117.158231.25500.0518σ0.07050.03600.13390.57992.90970.05317μ0.67850.65100.835021.299332.23500.0472σ0.09220.12810.07921.06235.25140.12648μ0.64560.26520.956023.783435.95000.0726σ0.08830.11640.01060.43464.08420.0417

圖6 3種偽裝狀態(tài)的概率密度曲線圖Fig.6 Probability density curves of three camouflage states

通過分別計算圖5所示的3類待檢測數據，得到圖6所示的概率密度曲線圖。對這3條曲線進行數學統(tǒng)計，得到表3所示的結果。從圖6和表3中可以看出：1級偽裝的狀態(tài)下曲線均值為54.475 8；2級偽裝的狀態(tài)下曲線均值為-707.033 6；3級偽裝的狀態(tài)下曲線均值為-1 111.226 2. 曲線的均值數據很好地反映了其偽裝狀態(tài)。曲線的波動較平穩(wěn)，方差和極差值較穩(wěn)定，表明該模型能夠在動態(tài)檢測過程中平穩(wěn)運行。從1級偽裝到2級偽裝，改變了偽裝網布置方位并去掉了上面布置的飾物，但是曲線已經接近3級偽裝的閾值。從而表明樣本數據對于數據空間的表達不夠充分，下一步應合理補充樣本數據。總之，基于特征統(tǒng)計的偽裝效果評估模型對于目標偽裝狀態(tài)的變化能夠給予準確的反映。

表3 3種偽裝狀態(tài)概率密度曲線統(tǒng)計數據表

5 結論

本文基于目標跟蹤和特征統(tǒng)計技術，提出了一種動態(tài)偽裝效果評估方法。通過統(tǒng)計偽裝良好狀態(tài)下目標與8聯通域背景特征值的均值和方差，首先建立多維特征聯合分布模型，然后計算對數放大概率密度得出目標的偽裝效果。實驗中對某一指揮車分別實施1級、2級和3級偽裝后采集圖像進行評估，根據高斯分布的3σ準則，模型能夠準確對所采集的偽裝圖像進行分級。相比于單幅圖像的靜態(tài)評估方法，基于特征統(tǒng)計的偽裝效果評估模型能夠從多幀圖像、多個角度對目標實施評估，能夠在一定范圍內適應拍攝時的光照、天氣等因素的影響。模型已初步應用于有關于軍事巡查任務的研究課題之中。下一步需要分析不同特征算法對偽裝分級的影響，使其更加符合視覺規(guī)律。