基于混隐色特征背景引导融合的伪装效能评估_张寅.pdf

第 52 卷第 2 期2023 年 2 月Vol.52 No.2February 2023光子学报ACTA PHOTONICA SINICA02100011基于混隐色特征背景引导融合的伪装效能评估张寅，丁鹏远，朱桂熠，时萌玮，闫钧华（南京航空航天大学 空间光电探测与感知工业和信息化部重点实验室，南京 211106）摘要：现有迷彩伪装效能评估方法重点关注目标与背景在颜色、纹理等特征上的相似度，未能从伪装策略角度分析目标边缘和表面的融合程度，无法准确评估复杂环境下目标的伪装效果。本文提出一种基于混隐色特征背景引导融合的伪装效能评估模型，利用多重分形理论和 Gabor滤波器估计目标轮廓和表面破坏程度；引入特征拥塞指数计算背景复杂度，通过逻辑斯蒂方程自适应调整评估特征权重，提高模型对环境变化的适应性。实验表明，该模型在 Search_2 数据集上的搜索时间相关性系数（皮尔逊相关系数、斯皮尔曼相关系数、均方根误差）分别达到 0.888、0.773、0.054，在自建 CamData 数据集上分别达到 0.835、0.805、0.126，评估结果与人眼搜索实验结果符合性较高，能够有效表征目标在不同复杂场景下的伪装效能。关键词：伪装效能评估；混隐色；背景匹配；背景复杂度；多重分形谱中图分类号：TP751 文献标识码：A doi：10.3788/gzxb20235202.02100010 引言光学伪装技术可大幅减少高价值目标的可探测性与被发现概率，提高目标生存能力，被广泛应用。如何全面有效评估伪装效果的优劣，是目前的研究重点之一，直接影响伪装策略的设计与选择。传统评估模型主要从背景匹配策略出发，重点关注目标与背景在颜色、亮度以及纹理等特征上的相似度。LIN C J等先后提出了质量指数（Q index）1、伪装相似指数（Camouflage Similarity Index，CSI）2和通用图像质量指数（Universal Image Quality Index，UIQI）3等相似度评价指标，并通过眼动实验验证了这些指标值和主观评价的一致性。其中，Q-index 和 UIQI 比较灰度图像之间的相关性，CSI 比较图像颜色之间的相似程度。YANG X 等提出了多特征伪装图案评价指标（Multi-Feature Camouflage Fused Index，MF-CFI），进一步增加了对迷彩图案纹理和形状的分析，该指标在改进的 UIQI算法基础上，结合人类对颜色、纹理、形状和结构的视觉感知过程，经过综合计算进行评价4。喻钧等发现目标伪装前后轮廓发生的形变对伪装效果有重要影响，因此提出了二值化统计矩方法提取目标的轮廓特征，计算目标轮廓形变度5。上述伪装评估方法能够有效度量目标和背景在视觉上的匹配程度，但未能综合考虑目标表面的完整程度、边缘的连贯程度以及场景对目标造成的影响，不能准确评估目标在复杂多变的野外环境中的伪装效果。近年来，学者们通过探讨飞蛾、螃蟹等动物在自然环境中的伪装和生存状况，提出了混隐色伪装策略的概念。混隐色定义为破坏目标轮廓或者在目标内部形成的虚假边缘图案6，针对此类的评估模型以边缘融合程度为重点。LOVELL P G 等提出可见度比率（Visibility Ratio，VisRat），通过 Canny边缘检测器估计目标轮廓与周围环境边缘数量之比，以此表示目标轮廓的破坏程度7。KANG C 等计算目标轮廓与目标中心边缘数量之比，表示轮廓相对于内部图案的隐藏效果8。TROSCIANKO J 等提出的 Gabor 边缘破坏率（Gabor Edge Disruption Ratio，GabRat）是现阶段最为成功的算法，其利用 Gabor滤波器计算了伪装目标虚引 用 格 式：ZHANG Yin，DING Pengyuan，ZHU Guiyi，et al.Evaluation of Camouflage Effectiveness Model Based on Disruptive Coloration and Background Guided Fusion J.Acta Photonica Sinica，2023，52（2）：0210001张寅，丁鹏远，朱桂熠，等.基于混隐色特征背景引导融合的伪装效能评估 J.光子学报，2023，52（2）：0210001基金项目：国防科技基础加强计划（No.2021JCJQJJ0834），国家自然科学基金(No.61705104)，江苏省自然科学基金(No.BK20170804)第一作者：张寅，通讯作者：闫钧华，收稿日期：2022 08 02；录用日期：2022 10 14http:/光子学报02100012假边缘和真实边缘的比值，估计了目标边缘被分割、扭曲的程度9。目前，混隐色的研究多停留在仿真合成图片中，研究对象局限于动物，但该概念的提出为伪装效能评估提供了新的理论依据。背景匹配和混隐色对视觉搜索机制的影响作用尚未有定论10-12，但存在阶段性的结论提供指导。研究表明，伪装效果的表达依赖于视觉环境13-14。PRICE N 等研究了岩石潭（背景较复杂）和泥潭（背景颜色单一）两种背景下的螃蟹外表特征，证明了在复杂环境下混隐色占据主导地位，简单背景下则是背景匹配14。同时，根据注意力特征融合理论，视觉系统在对目标特征进行融合时，会受到场景整体复杂度和过去知识经验的共同作用15。因此，在进行目标伪装效能评估时，必须考虑场景自身的特性情况。本文将伪装效能评估视为视觉搜索与目标伪装策略的对抗过程，在传统背景匹配特征中引入混隐色特征，对目标伪装效果进行综合评估；针对混隐色特征中的表面完整性难以计算的问题，提出基于多重分形理论的目标表面破坏度表征模型；在两类特征的融合阶段，根据背景引导理论，利用特征拥塞指数计算背景复杂度，通过逻辑斯蒂方程模拟人眼对各伪装特征的敏感性，实现评估权重自适应优化。该模型增强了对环境的适应性，提高了与主观评价结果的一致性，能够有效地对复杂环境下的伪装效能进行定量评估。1 混隐色特征背景引导融合评估模型基于混隐色特征背景引导融合的伪装效能评估模型整体框架如图 1所示，分为特征登记和特征融合两部分，与视觉搜索过程保持一致。在特征登记阶段，模拟视觉系统对多维特征的独立提取与加工能力。在颜色相似度、结构相似度等经典背景匹配特征基础上，引入目标表面破坏度和边缘破坏度表征混隐色特征。在特征融合阶段，充分考虑背景自身特性对注意力的影响，利用背景复杂度引导特征融合权重自适应调节，实现不同变化场景下目标伪装效能有效评估。1.1特征登记1.1.1混隐色特征特征登记阶段主要模拟视觉系统对场景信息的汇集。当场景较为混乱时，颜色、结构、纹理等特征信息纷乱复杂，视觉系统被大量此类特征扰乱而无法找到重点，与之相对，代表目标整体性和连贯度的混隐色特征更易被察觉。1）表面破坏度在视觉系统中，当观察者对搜索目标的结构和形状较为熟悉时（如人体、车辆等），目标表面的完整程度成为检测识别的关键信息。随着观测角度和目标姿态的相对变化，目标表面在图像中往往呈现出不规则变化，其表面完整性无法通过常规手段度量，而分形理论在描述不规则图形时具有独特优势。本文提出一种基于多重分形谱理论的目标表面破坏程度（Surface Disruption）表征模型，其原理示意如图 2所示。根据混隐色作用机制，将暴露状态下无内部虚假边缘的表面平滑完整目标作为参考标准（后文简称平滑目标，可通过实际目标掩模获取），伪装目标与平滑目标内部虚假边缘的差异程度越大，目标自身表图 1伪装效能评估整体流程图Fig.1Flow chart of Camouflage effectiveness evaluation张寅，等：基于混隐色特征背景引导融合的伪装效能评估02100013面破坏程度越高，伪装效果越好。模型具体表达式为 S=1-|corrcorr=Nftar()fmask()-ftar()fmask()Nf2tar()-()ftar()2Nf2mask()-()fmask()2（1）式中，S为表面破坏程度；corr表示伪装目标与平滑目标表面虚假边缘的接近程度，可利用二者内部边缘多重分形谱ftar()和fmask()间的皮尔逊相关系数估计；为分形函数的奇异性指数。在计算ftar()和fmask()时，以二值化掩模目标表示参考平滑目标，对包含伪装目标和平滑目标的局部图像进行 Sobel算子边缘分布检测，凸显伪装手段导致的破坏性边缘。多重分形谱f()可以根据勒让德变换和直接计算法进行确定16 f(q)=lim 0i=1Ni(q，)ln()i(q，)ln(q)=lim 0i=1Ni(q，)ln()Pqi()ln i(q，)=Pqi()i=1NPqi()Pi()=ni()/ni()（2）式中，多重分形谱f()和奇异指数是q的隐函数，对每个给定的q值，通过拟合斜率计算f()和，在实际计算中q的取值范围通常为(-1，1)；i(q，)为概率Pi()的q阶矩归一化测度；将图像视为三维空间中的曲面，利用大小为 的正方体盒子进行分割，=2，4，8，最大值受限于曲面大小；Pi()为第i个盒子中的灰度之和ni()与图像总灰度的比值，即质量概率，i=1，2，3，1/2。2）边缘破坏度边缘的连贯程度和表面的完整程度相辅相成，共同决定了目标的完整性。本文依据 TROSCIANKO J等提出的 GabRat算法计算边缘破坏度9，其值越大，目标虚假边缘的连贯性越好，目标伪装效果越好。计算方法为以一定角度将 Gabor滤波器应用于目标边缘的每个像素上，角度与目标轮廓平行的滤波器得到的值为|Ep|，相当于连贯边缘的连续程度，而垂直方向滤波器得到的|Eo|，相当于虚假边缘的连续程度。然后，在整个身体轮廓上计算二者比率的平均值，得出最终结果G，具体公式为G=|Eo()|Eo+|Epn（3）1.1.2背景匹配特征在场景规则较少、色彩较为均匀的环境中，颜色、纹理和结构信息决定了目标能否与背景融为一体，是最易被视觉系统汇集的信息。这类特征统称为背景匹配特征，在经典伪装评估方法中已得到广泛应用。图 2表面破坏度表征模型原理示意图Fig.2Schematic diagram of surface disruption characterization model光子学报021000141）颜色相似度S-CIELAB 颜色空间同时考虑了人类视觉系统的空间和颜色感知，对颜色相似性分析比其它颜色空间更加准确，本文根据 BAI X 等提出的图像颜色相似性指数（Image Color Similarity Index，ICSI）算法计算颜色相似度17。在 S-CIELAB 空间中，伪装目标 tar 与背景图像 bac 的 ICS 计算方式如下，(u，v)代表像素位置，背景区域定义为两倍的目标区域。I(u，v)=()Ltar-Lbac2+()atar-abac2+()btar-bbac2（4）式中，L代表亮度；a代表从绿色到红色的分量，即正数代表红色，负数代表绿色；b代表从蓝色到黄色的分量，即正数代表黄色，负数代表蓝色。最后计算I(u，v)的标准差，作为伪装图像和背景图像之间的颜色相似性指数。CICSI=1U Vu=1Uv=1V()I(u，v)-1U Vu=1Uv=1VI(u，v)2（5）2）纹理相似度本文根据 XUE W 等提出的梯度幅相似性偏差（Gradient Magnitude Similarity Deviation，GMSD）算法进行纹理相似度分析18。首先，利用 Sobel算子在水平和垂直方向上获得伪装图像和背景图像的纹理信息Star(u，v)和Sbac(u，v)Sbac(u，v)=()sh Ibac(u，v)2+()sv Ibac(u，v)2（6）Star(u，v)=()sh Itar(u，v)2+()sv Itar(u，v)2（7）sh=-101-202-101，sv=-1-2-1000121（8）式中，Itar和Itar分别为伪装图像和背景图像；sh和sv为不同方向的 Sobel算子。然后计