公里级背景数据采集及伪装特征提取方法_杨鑫.pdf

第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期：；修回日期：作者简介：杨鑫（），男，博士研究生，：。通信作者：许卫东（），男，博士生导师，教授，：。：公里级背景数据采集及伪装特征提取方法杨 鑫，许卫东，郝有斌，刘朝畅（陆军工程大学 野战工程学院，南京）摘要：背景采集与处理是伪装设计的首要步骤。为了提高公里级背景范围采样的准确性和完整性，利用系统抽样理论提出了基于空中成像的背景两级采样方法。第一级采样通过剖分背景区域网格获取背景地物和地貌分布规律。第二级采样依据“接受 拒绝”法有针对地获取背景细节图像。基于颜色、距离和纹理特征差异性度量构建背景特征提取模型。然后通过（）算法分割超像素图像形成背景特征区域划分。实验中收集了某地 范围 个一级采样点的数据，并分析了背景地物占比和分布特性。针对分析的结果，二级采样采集了戈壁滩、农田村庄和道路三类背景数据。对比了不同分割参数下农田村庄背景图像的分割性能，并探讨了基于 和超像素分割模型的差异性。最后生成了 类背景的斑点形状和 种主色特征。结果表明，采样流程能够有效获取公里级背景数据分布和细节纹理颜色特征。超像素分割模型能够优化斑点区域的完整性。该研究为移动目标伪装设计提供基础依据。关键词：背景采集；伪装特征；系统抽样；聚类分析；主色提取本文引用格式：杨鑫，许卫东，郝有斌，等 公里级背景数据采集及伪装特征提取方法 兵器装备工程学报，（）：，（）：中图分类号：文献标识码：文章编号：（），（，）：，“”，（），：，：；引言迷彩技术对于移动目标具有非常重要的作用。迷彩设计通常包含 个流程。即：背景采集特征提取图案设计。背景采集是伪装设计的首要步骤，对伪装的最终效果具有决定性作用。传统方法以地面采样为主。在主要活动区域确定背景抽样点后，通过地面测色仪器或者光谱仪获取背景颜色数据。因此，地面采样仅能采样单个点的颜色样本。采用空中正射投影成像的采样方法一定程度上能够克服这些问题。中规范了地面迷彩伪装背景的空中采样方法。固定目标的有效背景是 倍的目标投影面积范围，因此通过小范围空中成像容易获取背景数据。对比于固定目标而言，“公里级背景”一般指运动目标所涉及的背景区域。公里级背景指面积在 以上的背景。由于整体背景范围较大，快速获得整体背景分布存在一定的难度。从目前的技术途径来看，可以考虑用以下 种方式实现。一是分析卫星数据，包括高光谱数据和可见光数据，通过像元分类或人工区域划分获取整个背景的整体特征。卫星图片的人工区域划分的优点是快速，但缺点是精准度较低、色差大。另一方面，实时的卫星数据通常难以获得。二是根据所要伪装的目标任务和本次伪装所针对的作战行动，有选择的划定部分采样区域，以压缩采样范围。如后勤运输车辆目标主要的运动范围是黄土路背景和水泥路、柏油路背景。道路背景类型单一，可直接确定采样范围完成采样任务。三是通过低分辨率无人机采样。由于第一、二种方式处理方法不具有通用性，针对这无人机采样方法展开研究。另一方面，由于数据量过大，基于成像的采样方法无法做到全部采样并处理全部数据。以 范围的背景为例，以 分辨率全采的情况下图像像素量将超过 亿。以现有的成像设备估算 万像素图像为 数据，则全部采样将达到 的数据量。而应用于运动目标的变形迷彩适用范围通常远超过这一面积。因此，文中通过抽样的方法解决这一问题。特征提取通常根据图像分割获取具有不同特性的背景斑块。提取背景的主色和斑点形状特征，为伪装设计提供技术支撑。目前的研究主要以主色分析为基点，通过图像聚类实现主色和斑点特征提取。马栋良等研究了基于模糊聚类的迷彩斑点提取算法。吴凡等分析了 聚类算法和分水岭算法的分割效果。张勇等在 颜色空间中选择色差尽可能大的标准伪装色作为初始聚类中心，由最小色差原则和相邻元素特征共同决定目标像素归属，采用 均值聚类算法选取迷彩伪装色。喻均等对比了 算法和均值聚类算法的背景特征提取效果，结果表明 方法能更好地保留细节纹理。等为了提高效率，将图像像素从聚类样本空间映射到量化颜色空间，采用改进的模糊聚类算法获取背景主色。综上，背景采样和特征提取过程存在以下不足。一是传统背景采集和伪装特征提取方法无法适用于移动目标的背景。二是基于像素点颜色的直接聚类的方法使图像分割的粒度太小，难以有效应用于图案设计。因此，针对公里级范围背景采样问题，基于系统抽样法提出了两级采样流程。然后提出了三种特征组合的区域特征描述方法。最后通过超像素分割聚类得到背景的区域的特征划分。公里级范围背景数据采样 基于两级采样的背景数据采集两级采样思路如下：第一级采样通过系统抽样法，得到背景区域的小规模抽样数据集，分析该数据集获取背景中地物和地貌的分布和比例状况，然后再进行有针对的二次采样，获得背景中地物和地貌的具体纹理、主色以及斑点等具体特征。设待采样区域大小为 ，将其横向划分为 个、纵向划分为 个采样间隔。从均匀分布中产生样本点（，），（，）。根据系统抽样法的原则，可确定一级抽样点为（），（）。其中 ，共计得到 个采样点。开展采样作业时，每个作业点的采样面积不小于。采样后经人工分析，得到 种背景或地物地貌类型。构建矩阵 ，依据其各个采样点的主要背景类型取值为，。同时可估算各种类型背景的总体占比 ，。杨 鑫，等：公里级背景数据采集及伪装特征提取方法经上述系统抽样，可基本确定在背景的整体类型和分布状况。根据任务需求确定对各类型背景的感兴趣度向量 ，（）。设总抽样次数为，依据“接受 拒绝”抽样法确定二级采样点。构建辅助采样 （，），同时采样 （，），（，）。若辅助采样 满足式，则接受此次采样，直至采样点数量达到总抽样次数。式（）中 表示向下取整。作业时每个二级点面积不小于。二级采样的图像分辨率应根据极限侦察分辨率确定：（，）（）（）（）上述方法中，需要确定的参数为背景采样间隔、，采样面积、以及感兴趣度向量。当采样间隔数量越多时，第一级采样任务量越大，但同时对于背景类型的分布感知也越精准。因此，应当尽可能提升飞行器高度，扩大成像设备视场。确定采样点数量和任务时间要求后，一级采样面积 应当设置尽可能大以确保采样面能够涵盖不同类型的背景大斑块，进而确定分布状况。为了机动目标的伪装的需求，二级采样面积应当不小于典型地物和地貌的最小面积。感兴趣度 表示采样时对不同背景类型的重要性倾向程度。此外，若一级采样点采集的背景中包含 种以上重要背景类型，可多次构建对应的、，实施二级采样。若所构建的 满足约束条件（式（），可将该采样点各背景的最大感兴趣度作为：（）（）采样整体流程总结如图 所示，其中蓝色框图代表输入参数，绿色框图表示算法输出结果。图 两级背景数据采样方法流程图 快速背景图像拼接优化对采集到的多幅图像拼接合成，能够得到大场景的背景图像数据并去除图像的重叠区域。图像的拼接合成通常包括特征点描述、变换矩阵构建和重复部分融合 个步骤。采用 特征点描述方法构建特征集。为了提高算法效率，根据采样重复率，计算重复区域的特征点以提高算法效率。采用 算法 构建配对特征点的变换矩阵，以剔除误匹配点。由于采样在同一时段进行，可认定环境的亮度变化较小。因此采用平均融合法对重复部分进行融合，以提高计算效率。|（）式（）为变换方程。其中，代表转换后的特征点坐标，代表变换前的特征点坐标。矩阵|为变换矩阵。若控制空中成像设备的高度和俯仰角不动，那么 和 值为，和 值为，方程中仅包含平移参数、。由此可快速合成背景图像使满足采样面积要求。结合纹理与颜色的伪装特征提取 特征描述与差异度量设背景图像像素为 ，将图像颜色空间转换至 均匀颜色空间，像素点的颜色采用，（，）表示。因此任意两像素，之间色差可表示为（）（）（）（）由于背景的部分区域表现出颜色单一性差、纹理特性明显，因此同时采用旋转不变 纹理 方法，（，）描述背景图像特征。其计算方法如下：，（，）（，），（），（，）（）（），（）其中：（，）表示对，进行 次逐位循环右移。，表示以 为半径所对应的 个圆周上像素中的第 个像素点。，能够逐像素点生成特征图，而纹理的统计描述方法和频谱描述方法需要以图像块作为描述基础，会使近邻像素高度相似产生模糊效应。此外，描述了周边灰度起伏特征，因此使用汉明距离度量不同纹理元特征之间的差异性，即：（，），（），（）（）此外，像素间的欧氏距离可以表示为（，）（）（）（）兵 器 装 备 工 程 学 报：两像素，之间的综合特征差异可度量为，（，）（，）（，）（）超像素分割超像素是指具有相似纹理、颜色、亮度等特征值的图像块，这一概念由 等于 年提出。在背景分割时，将与目标面积大小相当的背景图像块设定为超像素有助于防止图像过分割，同时减少算法复杂度。本文在特征描述的基础上，采用 （）算法实现背景超像素分割。设预分割超像素数量为。设置初始化超像素中心种子点在图像之间的间距为 （）。为避免初始超像素中心位于极大值处影响后续聚类过程，移动超像素中心至 窗口区域的梯度最小值。在每个种子点为中心的 方形区域内实施特征度量和聚类。聚类迭代的终止条件设定为前后两次迭代中心像素点差的和小于所设定的阈值。聚类分析对超像素图像聚类而不是原始图像直接计算能大幅降低算法复杂度。以 聚类 算法为例，聚类个数为，数据量为 ，迭代次数为，两像素点间的距离度量耗时为。传统聚类算法需要计算所有像素点到每一个聚类中心的距离，时间复杂度为（）。超像素分割方法中像素数量为，时间复杂度为（）。与 的区别在于超像素分割中计算聚类中心时需要对每一个超像素增加系数，因此其算法复杂度为（）。基于超像素的聚类算法比传统聚类要快 倍。实验与结果分析 背景一级采样为了验证两级采样方法的有效性，实验采集了某地 大小区域的背景，采样过程数据记录如表 所示。一级采样共计采样了 个位置，每组作业之间间隔，采样地理坐标经度范围为 ，纬度范围为 。一级采样单个作业点面积不小于 ，每次成像时横向和纵向图像重叠率设置为。使用的无人机型号为大疆精灵，单幅图像像素量为 。采样的位置显示在电子地图上的结果如图 所示，采样编号的顺序是优先从左至右，其次从上到下。需要注意的是，由于图 中红色框图标定的采样点为山区无人区，作业开展困难；另一方面作战时武器装备大概率不会抵达该区域，因此为了方便作业，采样的位置进行了相应的修订（红色箭头指示）。图 中的白色圆圈为无人机成像点位。采样时能见度为，成像条件较好。通过拼接与合成，得到的一级采样结果如图 所示。表 背景采样记录表 任务设置任务来源实验测试作业时间 作业经度范围 作业维度范围 作业面积 环境参数采集季节冬季天气晴朗平均风速 大气能见度 平均地面照度 航拍参数飞行高度 单幅图像像素数量 镜头焦距 感光像元尺寸 镜头俯仰角单个采样作业面积 采样设置一级采样二级采样地面分辨率 采样面积 图像重复率采样点数量横向采样间隔 纵向采样间隔 图 一级采样无人机成像位置示意图 杨 鑫，等：公里级背景数据采集及伪装特征提取方法图 一级采样结果示意图（原图经拼接后边缘不齐，图片经裁切和压缩便于展示）（）背景特性分析与二级采样分析每个数据编组中图像数据，可以确定该 地域基本包含戈壁滩、柏油路、农田、村庄、树木、砂石路、土路、河流和沙滩等地物和地貌，每组图像数据中包含的地物见表。部分地物与地貌的主色和纹理特点是基本一致的，因此在确定主色种类数量时可以考虑将类型一致的背景进行合并。下面通过分割与聚类获得具体占比，再结合任务属性和伪装系统特性确定主色种类数量。表 各组图像数据中主要地貌及其特征分析 数据编组主要地物主色及纹理特点数据编组主要地物主色及纹理特点戈壁滩柏油路土黄色棕黑色戈壁滩沙滩土黄色青灰色农田村庄戈壁滩柏油路树木深黄色各种颜色土黄色棕黑色浅绿色农田砂石路河流村庄柏油路深黄色、土黄色为主青灰色浅蓝色各种颜色棕黑色农田村庄柏油路深黄色、条纹状土黄色为主棕黑色戈壁滩农田土路土黄色深黄色土黄色戈壁滩农田砂石路土黄色深黄色、土黄色为主棕灰色戈壁滩土路土黄色土黄色兵 器 装 备 工 程 学 报：续表（表）数据编组主要地物主色及纹理特点数据编组主要地物主色及纹理特点戈壁滩土路