一种基于特征统计的动态伪装效果评估方法

杨鑫, 许卫东, 贾其

(陆军工程大学 野战工程学院， 江苏 南京 210007)

0 引言

现代战争中，随着侦察监视技术的不断发展以及精确制导武器的广泛使用,国防工程等固定式目标面临越来越大的生存威胁。伪装作为一种重要作战保障措施，所面临的侦察监视和目标捕获等威胁正变得愈来愈严重。如何科学、全面、准确地评估伪装效果变得非常重要。伪装效果评估体系内涵丰富，其中伪装目标在单台侦察器材探测下的评估方法——设计级伪装效果评估，长期以来为业界所重视[1]。设计级伪装效果评估目前主要有两种思路：一种是基于人员对目标发现概率的判读统计，该方法受观察人员的经验、生理条件的影响比较大；另一种是基于数字图像处理的方法，通过数字图像中伪装目标与周围背景的特征差别，分析伪装效果。基于这种思路，人们以图像区域的亮度、纹理、形状和结构等为特征进行计算处理；也有人基于心理学建立相应的刺激函数，或者基于反向传播(BP)神经网络进行特征组合[2-5]。这些方法均属于单幅静止图像的特征评估。

实际工程中，伪装效果评估结果受到侦察器材角度、侦察环境以及目标和背景特性变化等因素的影响。例如在不同条件下侦察，目标和背景亮度、颜色、斑点形状等特性均有不同，但是符合一定的变化规律。因此伪装效果评估应具备动态性、统计性等特点。本文正是基于目标跟踪和特征统计技术，提出一种动态伪装效果评估方法。

1 动态评估过程分析

1.1 连续侦察过程分析

实际侦察过程中，敌方侦察人员往往会从不同角度、在不同条件下对目标实施连续侦察。侦察过程如图1所示。相比于静态的单角度侦察过程，一方面，侦察员能够联系前后不同帧之间的图像关系，分析目标的特性；另一方面，目标在不同角度、不同条件下的斑点形状、颜色亮度等特征也不同。因此评估过程也应具备对连续图像分析的特性。

1.2 特征提取

目标发现过程的实质可抽象为通过特征的提取和比对，分割目标与背景区域的过程。人眼对图像底层特征的提取主要包括亮度、颜色、纹理和斑点形状等。亮度和颜色的分布特性表征不同频率的光谱反射特性和背景空间分布及其组合规律。斑点形状特性是视觉上很重要的特征，可以通过矩形度、圆形度、形状描述子等方法描述。纹理是一种区域特征，可通过定量方式对纹理结构进行描述，如灰度共生矩阵等。工程实践中，应结合目标具体的特性选择相应的特征提取算法。

图1 连续侦察流程示意图Fig.1 Flow chart of continuous reconnaissance

从评估的角度分析，划分目标与背景区域较合理的方法是文献[6]所提出的8联通域法，如图2所示。该方法只考虑目标区域附近的背景，并非将全部图像区域划为背景区域，从而符合人眼判读的规律。尤其对于斑驳背景而言，目标仅融于临近背景，与远区域背景无关。考虑到运算的简洁性，本文使用矩形对目标区域进行分割且采用图2中对背景区域的编号顺序编号。

图2 目标与背景区域的8联通域划分图Fig.2 Eight-way domain partition map of target and background area

1.3 统计与评估

同一目标的特征数据会受到光照、天气、观察角度等随机因素的影响。由中心极限定律可知，各种随机因素的叠加可近似认为其符合高斯分布。因此，统计伪装良好状态下的特征数据可以得到概率密度函数的参数，并由此建立多特征联合概率密度函数。评估过程即计算联合概率密度值，并通过设定的阈值比较，确定伪装效果等级。不同于以往的伪装效果评估方式，基于特征统计的伪装效果评估方法利用了目标特征的先验知识，能够更加客观地体现目标状态。

由于有8个背景区域，若收集到M帧样本数据，需计算R个特征的分布参数，联合分布的维度为8×R维，其均值和方差估计公式如下：

(1)

(2)

式中：aijk表示第k帧、第j个背景、第i个特征的值。由于标准正态分布的公式为

(3)

对于待检测帧o，可以计算反映目标与背景特征关系变化的归一化联合概率密度：

(4)

2 目标跟踪模型

在目标与背景分割过程中，为保证前后两帧目标区域位置准确，必须使用目标跟踪算法。现有目标跟踪算法可以分为4类:基于主动轮廓的跟踪、基于特征的跟踪、基于区域的跟踪和基于模型的跟踪[7]。其中，基于特征的跟踪算法优点在于对运动目标尺度、形变和亮度等变化不敏感[8]。本文选用基于灰度直方图特征的Mean shift均值漂移跟踪算法[9]，应用密度梯度的非参数估计原理实现对移动目标区域的快速跟踪。

2.1 模型表示

(5)

(6)

(7)

(8)

建立目标模型时，采用Epanechikov核函数：

(9)

设在k-1帧时目标所在的中心区域为f0、候选目标中心区域为f，核函数窗口大小为h，则候选区域的概率为

(10)

2.2 相似性表达

在相似性度量方面，采用Bhattacharyya系数建立概率密度函数如下：

(11)

2.3 迭代过程

对概率密度函数进行泰勒展开后化简，可以得到其近似表达：

(12)

式中：

(13)

对(12)式求导并整理后，可以得到迭代后的坐标位置ft+1：

(14)

通过限制迭代次数或设定迭代变化阈值结束迭代过程。设迭代结束后的位置为fe，可以计算出新一帧目标的移动Δf为

Δf=fe-f0.

(15)

3 样本更新策略

为了适应气候更替、太阳角度变化等自然因素引起的背景区域缓慢变化，采用一种随机更新的策略更新样本库。具体过程如下：当某一帧的前v帧被分类为背景点时，就有τ的概率来更新样本库，在样本集中随机选择一个样本填充更新。τ为样本库的更新概率，值越大、更新越及时。在选择要替换样本集中的样本时，随机选取一个样本值进行更新，可以保证样本值的平滑生命周期。设样本库大小为N，由于是随机更新，一个样本值在时刻t不被更新的概率是(N-1)/N. 设时间是连续的，则在dt时间过去后样本值仍然保留的概率为

(16)

(16)式表明,在该策略下样本是否被替换的概率与时间因素无关。

4 模型建立与实验分析

4.1 模型建立

(17)

(18)

(19)

第4种为目标与背景区域的峰值信噪比[10]：

(20)

(21)

第5种为感知哈希相似度，将图像缩小为8×8阶灰度矩阵后得到x′ij和y′ij，分别计算x′ij和y′ij的均值并获得感知哈希相似度的计算公式：

(22)

(23)

(24)

式中：⊕表示异或运算；b函数的计算公式为

(25)

第6种为图像相关性运算[11-12]：

(26)

根据上述模型所述，编制相应的MATLAB程序并进行计算验证。算法的特征参数提取流程图如图3所示。读入训练数据后，选出目标区域，得到背景8联通域(若背景处于边缘地区导致无法获取完整的8联通域，则丢掉此帧)。一边跟踪一边计算特征，得到均值方差并建立归一化联合分布。效果评估过程的算法流程图如图4所示。读入待检测数据并获取8联通域，将其特征代入归一化联合分布函数，计算联合概率密度。由于其值波动范围为0～6.94×10-20，不利于阈值的设定。为增强密度值的灵敏度，对结果先放大10倍，再取对数，具体过程如下：

(27)

图3 联合分布建立过程流程图Fig.3 Flow chart of joint distribution process

图4 伪装效果评估过程流程图Fig.4 Flow chart of camouflage effect evaluation process

通过对数放大概率限定数值变化范围为-∞～66.41. 由此可以看出，数据的变化范围明显变大，能够有效减少计算误差。为了有效区分不同的伪装效果状态，并考虑到高斯分布的3σ准则，将结果划分为3个伪装等级，分别为1级伪装(r≥0)、2级伪装(0>r≥-1 000)、3级伪装(r<-1 000)。

4.2 实验过程与结果分析

实验过程于2018年3月中旬在南京市南郊某地进行，对某一指挥车实施连续的空中成像采集。飞行器高度50 m左右，飞行条件分别选取早晨、中午、下午、晴天、阴天等时间段或天候。将伪装完成后采集的数据作为训练样本(见图5)，设置1级伪装、2级伪装和3级伪装3种伪装状态测试模型的区分能力。随机地从不同天候、时间段等实验条件下抽取25帧3类数据作以展示。

计算并绘制的样本特征范围统计直方图如表1所示。表1中横向对应8个背景区域、纵向对应6种特征，共计48幅直方图。表2所示为特征的均值与方差，即联合高斯分布的均值与方差。综合表1和表2可见，由于数据量较少，其分布规律不是很明显，但是基本符合高斯分布的曲线特征：特征数据总体上分布得比较紧凑，没有分散现象，表明目标与区域背景的特征数据分布规律能够用高斯分布近似地表达。

图5 实验数据中的3种伪装状态Fig.5 Three camouflage states in the experimental data

表2 样本特征的均值与方差统计表

背景编号均值与方差特征值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

图6 3种伪装状态的概率密度曲线图Fig.6 Probability density curves of three camouflage states

通过分别计算图5所示的3类待检测数据，得到图6所示的概率密度曲线图。对这3条曲线进行数学统计，得到表3所示的结果。从图6和表3中可以看出：1级伪装的状态下曲线均值为54.475 8；2级伪装的状态下曲线均值为-707.033 6；3级伪装的状态下曲线均值为-1 111.226 2. 曲线的均值数据很好地反映了其伪装状态。曲线的波动较平稳，方差和极差值较稳定，表明该模型能够在动态检测过程中平稳运行。从1级伪装到2级伪装，改变了伪装网布置方位并去掉了上面布置的饰物，但是曲线已经接近3级伪装的阈值。从而表明样本数据对于数据空间的表达不够充分，下一步应合理补充样本数据。总之，基于特征统计的伪装效果评估模型对于目标伪装状态的变化能够给予准确的反映。

表3 3种伪装状态概率密度曲线统计数据表

5 结论

本文基于目标跟踪和特征统计技术，提出了一种动态伪装效果评估方法。通过统计伪装良好状态下目标与8联通域背景特征值的均值和方差，首先建立多维特征联合分布模型，然后计算对数放大概率密度得出目标的伪装效果。实验中对某一指挥车分别实施1级、2级和3级伪装后采集图像进行评估，根据高斯分布的3σ准则，模型能够准确对所采集的伪装图像进行分级。相比于单幅图像的静态评估方法，基于特征统计的伪装效果评估模型能够从多帧图像、多个角度对目标实施评估，能够在一定范围内适应拍摄时的光照、天气等因素的影响。模型已初步应用于有关于军事巡查任务的研究课题之中。下一步需要分析不同特征算法对伪装分级的影响，使其更加符合视觉规律。