1、第 44 卷第 6 期2 0 2 3 年 6 月兵工学报ACTA AMAMENTAIIVol 44 No 6Jun2023DOI:10 12382/bgxb 2022 0181复杂背景下显著度表征的车辆伪装效果动态评估王冬，高钦和，黄通，刘志浩，高蕾(火箭军工程大学 导弹工程学院，陕西 西安 710025)摘要:针对作战流程中车辆目标在复杂地貌背景下的伪装效果动态评估需求，提出一种复杂地貌背景超像素分割和综合显著度表征的车辆伪装效果评估方法。基于目标在背景中的显著度与伪装效果的负相关性，方法采用超像素邻接模型，引入本地显著度和目标显著度进行伪装效果综合表征;选取车辆和背景多尺度图像的视觉特征，
2、构建多维显著度矩阵;通过复相关系数法和变异系数法进行有效特征筛选;采用熵权法计算综合显著度对伪装效果进行评估。通过算例验证分析，方法能综合复杂地貌背景、车辆伪装状态和经典显著度视觉特征等多种因素进行伪装效果评估，量化分析车辆伪装状态的显著特征和优势应用环境，为车辆的伪装设计、状态运用和隐蔽区域选择提供建议。关键词:复杂背景;车辆目标;显著度表征;伪装评估中图分类号:E92文献标志码:A文章编号:1000-1093(2023)06-1620-12收稿日期:2022-03-21基金项目:国家自然科学基金项目(51905541);陕西省自然科学基础研究计划项目(2020JQ487)Dynamic E
3、valuation of Vehicle Camouflage Effect Based onSaliency Characterization in Complex BackgroundWANG Dong，GAO Qinhe，HUANG Tong，LIU Zhihao，GAO Lei(College of Missile Engineering，ocket Force University of Engineering，Xian 710025，Shaanxi，China)Abstract:To meet the requirement of dynamic evaluation of the
4、 vehicle camouflage effect in complexlandform background，a vehicle camouflage effect evaluation method based on superpixel segmentationand comprehensive saliency characterization was proposedThe method is based on the negativecorrelation between the saliency of the target in the background and the c
5、amouflage effect，the superpixeladjacency model is adopted，and the local saliency and the target saliency are introduced tocomprehensively characterize the camouflage effect Visual features of the vehicle and multi-scale imagesof the background are selected to construct multidimensional saliency matr
6、ix Effective feature screeningis carried out with the methods of complex correlation coefficient and variation coefficient The entropyweight method is used to calculate the comprehensive saliency to evaluate the camouflage effect Throughverification and analysis of the numerical examples，the propose
7、d method can evaluate the camouflageeffect by integrating the complex landform background，vehicle camouflage state and classical salientvisual features，and quantitatively analyze the saliency features and advantageous application environmentof the vehicle camouflage state This work aims to provide s
8、uggestions for vehicle camouflage design，state application and concealed area selectionKeywords:complex background;vehicle targets;saliency characterization;camouflage evaluation第 6 期复杂背景下显著度表征的车辆伪装效果动态评估0引言现代战争中，地面战场受到搭载于多种观测平台(卫星、侦察机、无人机)的多种传感器(可见光、红外、多/高光谱、雷达)的高频重访探测，实时形成多空间、多时间、多光谱分辨率和多极化、多角度的二维
9、数字图形，对感兴趣目标(TOI)进行侦测识别1。军事高价值目标被发现往往意味着被摧毁，军事迷彩从亮度、颜色、纹理和轮廓等方面通过相似设计、纹理变形使目标与背景在视觉上融为一体，降低被发现概率，起到“隐真”的伪装效果2。因此客观评估并提升武器装备的伪装效果，降低被发现概率，是增强武器装备生存能力的关键。虽然不同平台和传感器的成像原理迥异，但对 TOI 的侦测识别都是从复杂地面二维数字矩阵中查找出显著目标的过程。作为隐蔽方，目标伪装后与背景的融合度越高，显著度越小，被发现概率就越低，相应的伪装效果也越好。因此可通过对伪装后目标相对于背景的显著度分析来评估伪装效果的优劣。目前广泛采用人眼视觉注意机制
10、的目标显著度的主观和客观计算方法3。主观方法是对人为目视观察结果进行统计分析，容易受人力、物力和天气等客观条件和观察员主观能力的影响，具有较大的局限性4。客观方法通过人工提取显著度特征进行评估5 6，或用神经网络提取深度特征进行显著图描述7，对装备的伪装设计和作战使用具有较好的指导作用。其中，基于空海背景的目标探测和伪装隐身技术研究较多，胡建明等8 研究了天基观测复杂 环 境 要 素 对 目 标 可 探 测 性 的 影 响 规 律。宋明珠等9 用海浪谱理论及尾迹模型对暗弱海洋目标的可探测性进行了研究。而地面车辆目标探测和伪装研究，受限于地貌背景复杂性和目标小尺寸特点，主要在局部显著性特征或特定
11、环境条件下展开。赵晓枫等10 构建单步多框目标检测(SSD)网络对复杂背景下特种车辆的红外隐身伪装效果进行了评估。马世欣等11 等从光谱差异性和整体伪装特征的显著性指标对高光谱伪装效果评估方法进行了研究。王展等6 着重用5 项光学特征对不同迷彩伪装状态进行了多指标综合评价。相对于空海背景下的目标伪装性能研究，复杂地貌背景下，面向作战任务，针对机动车辆迷彩伪装效果进行动态综合评估的研究还需进一步加强。因此，本文从地面车辆在复杂地貌背景下的显著度入手，提取目标和背景超像素图像的多尺度多维特征，引入本地显著度和目标显著度概念，采取复相关系数和变异系数法进行特征筛选降维，提出一种复杂地貌背景下基于背景
12、超像素和显著度综合表征的迷彩伪装效果评估方法。实验验证表明，该方法能够基于侦察二维图像，对车辆目标在复杂地貌背景下的伪装效果进行量化评估，为伪装设计和作战运用优化提供量化支撑。1复杂地貌背景下目标综合显著度表征相对于较为单一的天空和海面背景，复杂地貌背景具有自然特征复杂性、伪装影响复杂性和仿真建模复杂性等特点12。自然特征的复杂性是指环境要素和地貌特点多样，地面车辆的战场背景包括不同类型的林地、草甸、戈壁、公路以及散落的民居等多种地貌。伪装影响复杂性是指伪装目标在地面战场活动时，受自然特征复杂性影响，目标伪装方案与背景的耦合伪装效应动态多变。受制于自然特征复杂性和伪装影响的复杂性，仿真建模复杂
13、性是指在伪装效果仿真研究中，对于不同的需求，对目标所在地貌环境的仿真建模，要多方面考虑采样颗粒度、环境分辨率和仿真资源等因素，导致动态伪装效果评估中的仿真复杂性。基于此，本文用地面目标在复杂背景中实时的综合显著度来表征其动态伪装效果。图 1复杂地貌背景下目标显著度表征Fig 1Saliency characterization of target in complexlandform background目标在复杂地貌背景上的综合显著度 Sa，有Sa 0，1，当 Sa 接近 0 时，表示目标与背景高度融合，具有较好的伪装效果;当 Sa 接近 1 时，表示目标明显异于背景，伪装效果较差。Sa 由
14、两部分组成(见图 1):一是目标所处背景局部区域相对于整个背景图像的视觉特征显著度，即本地显著度 SaL;二是目标相对所处背景局部区域的视觉特征显著度，即目标显著度 SaT。1261兵工学报第 44 卷1.1本地显著度的超像素邻域表征1.1.1背景图像的超像素分割超像素是指将图像中具有相似特征的相邻像素划分为有一定同质性的图像块，以超像素块为基本单位，代替大量的像素来表达图像特征，能够大大减少处理图像的复杂度。而在迷彩伪装效果评估中，车辆目标所处的地域大多含有林地、公路、散落民居等不均匀地貌，用适量的超像素块表达复杂地貌背景，降低图像处理复杂度的同时，保证评估维度，对有限的背景图像进行特征挖掘
15、，有利于显著度特征的筛选。常用的超像素分割算法主要有基于图论和梯度下降的方法两类，显著度检测较常用的是基于梯度下降的简单线性迭代聚类(SLIC)算法13。它在CIE-Lab 颜色和二维坐标空间构造的 5 维特征向量空间里，以加权的颜色和坐标空间的欧式距离度量特征距离:D=D2CIE-Lab+mD2槡co(1)式中:DCIE-Lab为 P1、P2两个像素在 CIE-Lab 颜色空间三通道向量的欧氏距离，DCIE-Lab=P1(L，a，b)P2(L，a，b)，表示欧式距离;m 调节颜色和位置的权重，一般取 m=20;Dco为 P1、P2两个像素坐标的欧式距离，Dco=P1 P2。算法使用特征距离进
16、行迭代聚类，每轮迭代将像素点与其所属种子点的特征距离作为迭代聚类误差。在伪装侦察效果评估中，背景初始超像素大小根据车辆目标长度 l 来确定，取步长为 2l，则初始超像素个数 K=floor(N/4l2)，N 为图像像素总数，图 2 为不同个数背景超像素分割结果示例。图 2背景图像的超像素分割Fig 2Superpixel segmentation of background image1.1.2基于邻接超像素对比的本地显著度目标所在背景超像素块的本地显著度，取决其与周围邻域超像素的关键特征差异，采用邻接超像素对比方法构建背景本地显著度表征14，如图 3 所示。图3 中黄色点为当前评估超像素块，与之相邻共享一个边缘的蓝色点为邻接超像素节点。图 3中临接超像素节点总数为 N，中心节点显著度采用邻接超像素对比模型进行局部差异性计算，节点表示所在超像素 j 与中心超像素 i 显著度特征向量的欧氏距离，节点相互连接的边代表该超像素对中心超像素显著度的影响权值，受邻接超像素特征差异大小约束，差异越大、权重越大，差异越小权重越小。图 3邻接超像素对比模型Fig 3Adjacent superpixe
