一種改進(jìn)的Surendra運(yùn)動目標(biāo)偽裝效果檢測方法

楊駿堂, 許衛(wèi)東, 曲楊, 崔光振

(解放軍理工大學(xué) 野戰(zhàn)工程學(xué)院，江蘇 南京 210007)

一種改進(jìn)的Surendra運(yùn)動目標(biāo)偽裝效果檢測方法

楊駿堂, 許衛(wèi)東, 曲楊, 崔光振

(解放軍理工大學(xué) 野戰(zhàn)工程學(xué)院，江蘇 南京 210007)

現(xiàn)有的偽裝檢測主要是針對靜態(tài)目標(biāo)，并不能客觀反映機(jī)動裝備在作戰(zhàn)行動中偽裝的有效性。綜合運(yùn)動目標(biāo)檢測技術(shù)，結(jié)合偽裝學(xué)原理，以軍用卡車模型作為研究對象，基于Surendra背景更新建模算法并結(jié)合Lab三通道，提出一種機(jī)動裝備迷彩偽裝效果檢測方法。根據(jù)所建立的實驗系統(tǒng)，計算序列圖中軍用卡車偽裝前后的形狀特征參數(shù)集合之間的歐氏距離，得到實驗序列圖像的歐氏距離平均值為189.45，說明實驗系統(tǒng)中偽裝前后運(yùn)動目標(biāo)的形狀特征參數(shù)之間極不相似，即經(jīng)過偽裝后的目標(biāo)更具有一定的動態(tài)變形偽裝特性。借助性能評價模塊得出偽裝前后目標(biāo)圖像相關(guān)系數(shù)范圍為0.003 5～0.127 5，證明了該檢測方法的科學(xué)性和可靠性；根據(jù)檢測運(yùn)動目標(biāo)的算法原理，可知偽裝后的運(yùn)動目標(biāo)圖像與其中心背景之間更具有一定的融合性。

兵器科學(xué)與技術(shù)；運(yùn)動目標(biāo)；迷彩偽裝；數(shù)碼迷彩；效果檢測

0 引言

坦克、自行火炮、步戰(zhàn)車等是部隊實施作戰(zhàn)任務(wù)的主要機(jī)動裝備，是陸軍戰(zhàn)斗力的象征，在未來基于信息系統(tǒng)的體系作戰(zhàn)中具有舉足輕重的作用。當(dāng)前世界各國陸軍主戰(zhàn)武器裝備在運(yùn)動狀態(tài)下，主要采用迷彩偽裝降低目標(biāo)顯著性，提高其戰(zhàn)場生存能力[1]。

偽裝檢測作為偽裝技術(shù)的重要組成部分[2]，是指依據(jù)戰(zhàn)術(shù)技術(shù)要求，對目標(biāo)的偽裝效果和偽裝器材的偽裝性能進(jìn)行的檢驗和測定。外軍先后發(fā)展了光譜檢測手段、多波段成像檢測、合成孔徑雷達(dá)檢測等手段，在實戰(zhàn)型檢測方面，美國進(jìn)行了偽裝/隱蔽和欺騙研究，在丹麥某基地利用A-10攻擊機(jī)攜帶成像裝置檢測偽裝器材的熱紅外偽裝性能。奧地利開發(fā)了用于量化觀察者感覺反應(yīng)的圖像仿真系統(tǒng)，并用于偽裝效果檢測。經(jīng)過多年發(fā)展，我軍研制并裝備偽裝勘察檢測車，發(fā)展了基于氦氣艇、直升機(jī)航模、多旋翼無人機(jī)搭載光學(xué)、紅外系統(tǒng)的偽裝檢測空中平臺。但現(xiàn)有的偽裝檢測主要針對靜態(tài)目標(biāo)檢測[3]，還不能客觀反映上述機(jī)動裝備在作戰(zhàn)行動中偽裝的有效性，與考察偽裝裝備的作戰(zhàn)應(yīng)用真實狀態(tài)還有一定差距。與此同時，動態(tài)目標(biāo)檢測跟蹤技術(shù)作為計算機(jī)視覺跟蹤技術(shù)研究的核心問題之一，現(xiàn)已廣泛應(yīng)用于探測制導(dǎo)、目標(biāo)預(yù)警、安防監(jiān)控等領(lǐng)域[4～7]。本文綜合運(yùn)用動態(tài)目標(biāo)檢測與偽裝效果檢測技術(shù)，以軍用卡車數(shù)碼迷彩為研究對象，探討機(jī)動裝備迷彩偽裝效果檢測方法。

1 迷彩偽裝設(shè)計基本原則

迷彩偽裝是武器裝備常見的偽裝方法，它可以減小目標(biāo)與背景的顏色差別，達(dá)到降低目標(biāo)顯著性和改變外形的效果。迷彩偽裝可分為保護(hù)迷彩、變形迷彩和仿造迷彩。其中變形迷彩是由與背景相似顏色的各種不規(guī)則斑點構(gòu)成的多色迷彩，而數(shù)碼迷彩是通過色塊的多種排列組合，使得不同顏色間的邊緣模糊、破碎、利用空間混色和視錯覺效應(yīng)，極易模擬自然背景，具有普通迷彩所無法比擬的優(yōu)點[8～9]。近年來其相關(guān)研究得到國內(nèi)外業(yè)界的高度重視。它可用于偽裝斑駁背景上的運(yùn)動目標(biāo)，能使運(yùn)動目標(biāo)在活動地域內(nèi)的多種背景上都產(chǎn)生變形效果。

在較為理想情況下，經(jīng)過迷彩偽裝后的武器裝備應(yīng)與背景達(dá)成融合，裝備規(guī)則外形輪廓得到歪曲：一是由于目標(biāo)上變形迷彩的不定形斑點歪曲了目標(biāo)的直線輪廓；二是目標(biāo)上變形迷彩部分斑點的顏色與背景的顏色近似一致，部分斑點的顏色與背景的顏色保持明顯的差別，使目標(biāo)產(chǎn)生變形的偽裝效果。

在設(shè)計變形迷彩斑點時，當(dāng)前主要遵循反良好圖形的原則。良好圖形乃是多余的圖形，因為它的整體是很容易從部分預(yù)測出來的，而反良好圖形不能從部分預(yù)測出來，所以不是多余的[10]。 一個圖形的良好性與它可能得到的變換圖形數(shù)目成反比，即可能變換的圖形越多，“良好性”越差。研究表明，被試者描述某一形狀時所用的言語越長，則識別該圖形的準(zhǔn)確性就越小。在對于無意義形狀的復(fù)雜性所作的判斷中，90%可以用分散度、伸長度、凹凸性、偏心度等因素的一個加權(quán)組合來加以說明[11]。

2 動態(tài)目標(biāo)檢測技術(shù)概述

動態(tài)目標(biāo)檢測的目的是根據(jù)圖像幀序列從背景圖像中將運(yùn)動的人員、車輛等感興趣的目標(biāo)提取出來。常見的動態(tài)目標(biāo)檢測方法主要有背景相減法、幀差法和光流法。

幀差法是在連續(xù)圖像序列中兩個或3個相鄰幀間采用基于像素的差分，設(shè)定閾值，通過閾值差分提取出圖像中的運(yùn)動目標(biāo)。該方法可以準(zhǔn)確確定動態(tài)目標(biāo)的具體位置，但是由于重疊的存在導(dǎo)致檢測目標(biāo)不完整。同時差分的時機(jī)選擇，動態(tài)目標(biāo)的速度很大程度上也影響了檢測結(jié)果。

光流法是采用運(yùn)動目標(biāo)隨時間變化的光流特性，優(yōu)點是在CCD攝像頭轉(zhuǎn)動的前提下也能檢測出獨立的運(yùn)動目標(biāo)，但是大多數(shù)光流法計算相當(dāng)復(fù)雜，而且抗噪性能差，如果沒有特別的硬件裝置則不能滿足全幀視頻流的實時處理。

背景相減法基本思想就是構(gòu)建一個背景模型，再用當(dāng)前幀和背景模型做差，根據(jù)差分圖像檢測運(yùn)動目標(biāo)。常用的背景建模算法有多幀平均法，該方法運(yùn)算簡單，但建立起來的背景圖像精確度不高，不能實時更新；混合高斯模型法是一種基于統(tǒng)計的方法，此算法建立的背景圖像準(zhǔn)確度高，但是運(yùn)算量大且背景更新緩慢；Surendra背景更新建模算法能夠自適應(yīng)地獲取背景圖像，且精度高，運(yùn)算量相對較小[12]。另外，一般的差分法都是采用灰度差值來實現(xiàn)，而對于對比度較低的場景，物體與背景的灰度值相近，可利用的灰度信息太少，可能造成的導(dǎo)的目標(biāo)區(qū)域出現(xiàn)空洞不完整。Pan等[13]分析了運(yùn)動目標(biāo)在多種顏色空間下的信息變化情況，以及不同色彩空間下的像素特征對目標(biāo)檢測算法性能的影響，證明了基于Lab顏色空間的運(yùn)動目標(biāo)檢測算法具有更高的檢測率和更低的誤檢率。

3 基礎(chǔ)實驗?zāi)Ｐ偷慕?/h2>

3.1 實驗設(shè)計

為了檢測機(jī)動裝備迷彩偽裝效果，為未來分析在運(yùn)動狀態(tài)下影響目標(biāo)動態(tài)偽裝效果的主要因素和規(guī)律提供技術(shù)支撐，本文基于Surendra算法進(jìn)行背景建模并在Lab顏色空間下進(jìn)行差分，檢測出偽裝前后的機(jī)動裝備。實驗總流程如圖1所示。

圖1 實驗總流程圖Fig.1 General flow chat of experiment

為了實現(xiàn)迷彩偽裝前后機(jī)動裝備的檢測，本實驗制作了如圖2所示的視頻(截取第135幀)，其中上方為偽裝前的軍用卡車，下方為實施數(shù)碼變形迷彩偽裝后的軍用卡車，兩車均處于同一林地背景條件下，同步做勻速直線運(yùn)動。此時，對應(yīng)視頻時長15 s，總幀數(shù)為375.

圖2 實驗視頻第135幀F(xiàn)ig.2 135th frame of experimental video

如果考慮到所采集的視頻噪聲較大、光照條件突變、背景擾動等影響因素時，可采用中值濾波去噪等方法進(jìn)行視頻預(yù)處理。本文采集的視頻經(jīng)預(yù)處理后，導(dǎo)入運(yùn)動目標(biāo)檢測模塊中，采用數(shù)據(jù)分析模塊提取相關(guān)特征參數(shù)，再以性能評估模塊考察機(jī)動裝備迷彩偽裝效果。

3.2 運(yùn)動目標(biāo)檢測模塊算法實現(xiàn)

該模塊采用的算法主要包括Lab顏色空間轉(zhuǎn)換、Surendra自適應(yīng)背景更新、最大類間方差(Otsu)自適應(yīng)二值分割、利用更新后的背景進(jìn)行運(yùn)動目標(biāo)檢測等，其主要思想如圖3所示。

首先將獲取的每一幀圖像進(jìn)行Lab顏色空間轉(zhuǎn)換，分別選取L、a、b 3通道的第1幀圖像作為初始背景圖像，利用surendra算法進(jìn)行自適應(yīng)背景更新，其主要步驟如下：

1) 將第1幀圖像I0作為背景B0.

2) 選取閾值T，迭代次數(shù)初始化為m=1，最大迭代次數(shù)為M.

3) 求當(dāng)前幀的幀差分圖像

(1)

式中：Ij、Ij-1分別為當(dāng)前幀和上一幀圖像。

4) 將二值圖像DB更新背景圖像

(2)

式中：Bj(x,y)、DB為背景圖像和差分二值圖像在坐標(biāo)(x,y)處的灰度值；Ij為輸入的第j幀圖像；α為迭代速度系數(shù)。當(dāng)m=M時，迭代結(jié)束，得到真正的背景圖Bj(x,y). 用當(dāng)前幀與得到的背景利用Otsu算法進(jìn)行自適應(yīng)二值分割，最后將二值圖像進(jìn)行形態(tài)學(xué)處理，從而檢測出運(yùn)動目標(biāo)。

4 結(jié)果分析

分析結(jié)果表明，上述系統(tǒng)能較好地檢測出運(yùn)動狀態(tài)下的武器裝備，表明武器裝備的機(jī)動本身就是一項重要的暴露征候，特別是在b通道的檢測下，未實施數(shù)碼迷彩偽裝的軍用卡車呈現(xiàn)出原有規(guī)則輪廓，而經(jīng)數(shù)碼迷彩偽裝后的軍用卡車僅僅表現(xiàn)為若

干處于運(yùn)動且不斷變化的斑點，難以反映出原有的規(guī)則輪廓。以典型綠色卡車處于林地背景為檢測條件時，背景與目標(biāo)之間的亮度差別本身不夠明顯，故在L通道上不能精確反映軍用卡車的規(guī)則輪廓；所采用的林地背景中，大部分斑點為不同飽和度的綠色、沙土色，a通道下背景與目標(biāo)之間的顏色差別也不夠明顯，故也不能精確反映迷彩斑點的不規(guī)則輪廓[14]。為說明問題，節(jié)約篇幅，圖4(a)～圖4(f)分別給出運(yùn)動檢測結(jié)果中的6幀圖像。

圖4 動態(tài)偽裝效果檢測過程序列圖Fig.4 Sequence diagram of dynamic camouflage effect detection

為了定量考察偽裝檢測的有效性，本文基于Matlab軟件，利用bwlabel函數(shù)、regionprops函數(shù)，計算出序列圖中所呈現(xiàn)的軍用卡車及各個迷彩斑點的分散度、偏心度、2階矩等數(shù)據(jù)，表1為第100幀圖像中相應(yīng)的特性參數(shù)。

表1 第100幀圖像中特性參數(shù)Tab.1 Characteristic parameters of 100th frame

若軍用卡車采用的迷彩偽裝具有良好的效果，則迷彩偽裝前后軍用卡車與迷彩斑點特征參數(shù)之間應(yīng)具有較大的歐氏距離[15]，否則二者的歐氏距離較小。本文計算了序列圖中的軍用卡車及迷彩斑點特性參數(shù)之間的歐氏距離，結(jié)果表明375幀圖像的歐氏距離平均值為189.45，表明迷彩偽裝后斑點的分散度、伸長度、偏心度等特征參數(shù)與原有軍用卡車的特征參數(shù)具有很大的差別，具有良好的動態(tài)變形偽裝效果。

本文在性能評價模塊中計算了序列圖中所呈現(xiàn)的軍用卡車及各個迷彩斑點之間的相關(guān)系數(shù)，借以考察本方法的可靠性，其基本模型[16]如下：

假設(shè)軍用卡車圖像為S，大小為M×N，迷彩斑點圖像為g，大小為m×n. 用Sx,y表示S中以(x,y)為左上角點與g大小相同的子塊。計算對比圖像與標(biāo)準(zhǔn)圖像之間的相關(guān)系數(shù)。ρ(x,y)的定義為

(3)

式中：σ(Sx,y,g)是Sx,y和g的協(xié)方差；Dx,y為Sx,y的方差，

(4)

D為g的方差，

(5)

所統(tǒng)計的軍用卡車與迷彩斑點圖像相關(guān)系數(shù)曲線如圖5所示。由于本文的運(yùn)動目標(biāo)是通過視頻當(dāng)前幀與經(jīng)過背景建模更新后的背景幀差分得到的。說明經(jīng)過本文算法檢測過后的運(yùn)動目標(biāo)圖像與其所在的中心背景圖像(視頻圖像中被目標(biāo)遮擋住的背景)有密切的關(guān)系，如果運(yùn)動目標(biāo)與其中心背景局部相似，則差分后得到的運(yùn)動目標(biāo)圖像便會呈現(xiàn)與中心背景相關(guān)的圖像。正常情況下，未實施偽裝的目標(biāo)與其中心背景之間往往存在較大的差別。這也是為什么我們能夠輕易判別未偽裝目標(biāo)的重要原因。相反，偽裝后的目標(biāo)會與中心背景呈現(xiàn)一定的融合性。

圖5 軍用卡車與迷彩斑點圖像相關(guān)系數(shù)曲線Fig.5 Correlation coefficient curve of military truck and camouflage spot

如果偽裝前后運(yùn)動目標(biāo)圖像之間越相似，則說明偽裝后目標(biāo)圖像與中心背景圖像越不相似，即與背景不相融合。反之，如果偽裝前后運(yùn)動目標(biāo)圖像差別越大，則說明偽裝后目標(biāo)圖像與中心背景圖像越相似，即與背景越相融合。

根據(jù)文獻(xiàn)[2]可知，圖像之間相關(guān)程度的允許差別區(qū)間可確定為：5%～25%，由此可反推出偽裝前后運(yùn)動目標(biāo)特征相關(guān)系數(shù)值標(biāo)準(zhǔn)。當(dāng)偽裝前后目標(biāo)圖像特征相關(guān)系數(shù)大于0.75時，表明偽裝前后目標(biāo)圖像特征非常相似，僅靠人眼便可輕松判別；當(dāng)偽裝前后目標(biāo)圖像特征相關(guān)系數(shù)范圍為0.65～0.75時，表明偽裝前后目標(biāo)圖像特征比較相似；當(dāng)偽裝前后目標(biāo)圖像特征相關(guān)系數(shù)范圍為0.55～0.65時，表明偽裝前后目標(biāo)圖像特征基本相似。在本文實驗實驗背景條件下，從曲線可見，軍用卡車經(jīng)過數(shù)碼迷彩偽裝后檢測得到的斑點與原有卡車圖像的相關(guān)系數(shù)范圍為0.003 5～0.127 5，遠(yuǎn)遠(yuǎn)小于相似范圍標(biāo)準(zhǔn)，即可認(rèn)為該運(yùn)動目標(biāo)在偽裝前后的圖像之間非常不相似，表明經(jīng)過數(shù)碼迷彩偽裝后的運(yùn)動目標(biāo)與其中心背景更具有一定的融合性。同時也驗證了基于歐式距離得出的結(jié)論，即后者更具有良好的動態(tài)變形偽裝效果。

5 結(jié)論

1) 本文基于動態(tài)目標(biāo)檢測與偽裝檢測技術(shù)，以軍用卡車數(shù)碼迷彩為研究對象，提出了一種基于Lab 3通道的運(yùn)動目標(biāo)偽裝效果檢測方法。

2) 計算了序列圖中的軍用卡車及迷彩斑點特性參數(shù)之間的歐氏距離平均值為189.45，表明數(shù)碼迷彩偽裝后斑點的分散度、伸長度、偏心度等特征參數(shù)與偽裝前軍用卡車的特征參數(shù)具有很大的差別。

3) 采用性能評價模塊計算偽裝前后目標(biāo)圖像相關(guān)系數(shù)范圍為0.003 5～0.127 5，表明偽裝前后目標(biāo)圖像之間極不相似，根據(jù)本文檢測運(yùn)動目標(biāo)的算法原理，可知偽裝后的目標(biāo)圖像與其中心背景之間更具有一定的融合性。

鑒于機(jī)動裝備偽裝方法較多，涉及器材較廣，下一步還需研討此類方法運(yùn)用于不同對象的適應(yīng)性。

References)

[1] 姚永平. 陸軍裝備偽裝研究[M]. 北京：軍事科學(xué)出版社，2010:22-24. YAO Yong-ping. Research on army equipment camouflage[M].Beijing: Military Science Publishing House, 2010:22-24.(in Chinese)

[2] 許衛(wèi)東，王向偉. 偽裝檢測與效果評估理論和技術(shù)[M]. 北京：國防大學(xué)出版社，2015:78-80. XU Wei-dong, WANG Xiang-wei. Camouflage detection and evaluation theory and technology[M]. Beijing: National Defense University Press, 2015:78-80.(in Chinese)

[3] 李佩清, 田英, 曹嘉峰, 等. 自適應(yīng)紅外隱身技術(shù)研究進(jìn)展[J]. 傳感器與微系統(tǒng), 2013, 32(10):5-8. LI Pei-qing, TIAN Ying, CAO Jia-feng, et al. Research progress of adaptive infrared stealth technology[J]. Transducer and Microsystem Technologies, 2013, 32(10):5-8.(in Chinese)

[4] Kim J, Wang X F, Wang H, et al. Fast moving object dection with non-stationary background[J]. Multimedia Tools and Applications, 2013, 67(1):311-335.

[5] Wang B, Ma Y. Moving target detection based onimproved three frame difference and background difference[J]. Computer Systems & Applications, 2015,24(8):154-158.

[6] Cucchiara R, Piccardi M, Prati A. Detecting moving object and shadows in video streams[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013,25(10):1337-1342.

[7] Senst T, Evangelio R H. Detecting people carring objects based on an optical flow motion model[J]. IEEE Computer Society,2012,23(5):301-306.

[8] Yu J, Yang J N, Liu F H. Influence factors of spatial color mixing of digital camouflage[J]. Computer & Digital Engineering,2015,49(3):494-498.

[9] Hou L, Yu J. Evaluation methods research on digital pattern painting[J]. Foreign Electronic Measurement Technology, 2013, 32(2):23-27.

[10] Ling H. How to tap in graphic design in the potential of visual[C]∥12th International Conference on Computer-aided Design and Computer Graphics. Jinan, China: IEEE, 2011.

[11] 王展，顏云輝，焦學(xué)勇.基于灰色理論的迷彩偽裝多指標(biāo)綜合評價[J].兵工學(xué)報，2013,34(10):1250-1254. WANG Zhan, YAN Yun-hui, JIAO Xue-yong. Multi-index comprehensive evaluation of camouflage based on gray theory[J]. Acta Armamentarii, 2013,34(10):1250-1254.(in Chinese)

[12] Xu Li. Moving object detection using LAB color space[J]. Journal of Huangzhong University of Science and Technology, 2013,41(1)：220-224.

[13] Pan B, Xie H M, Wang Z Y. Equivalence of digital image correlation criteria for pattern matching[J]. Applied Optics, 2012,49(28):234-238.

[14] Li J, Dang J W, Bu F. Analysis and improvement on bacterial foraging optimization algorithm[J]. Journal of Computer Science and Engineering, 2014,3(1):1-7.

[15] Cao X, Wang H, Shi Z. The research of image matching algorithm in visual inspection system[J]. Journal of Electronic Technology,2015,4(2):91-94.

[16] Sun Q, Zhou X H. Application of Matlab in camouflage effectiveness evaluation of protective construction[J]. Computer & Digital Engineering,2010,4(7):134-138.

A Surendra-based Improved Detection Method of Moving Target Camouflage Effect

YANG Jun-tang, XU Wei-dong, QU Yang, CUI Guang-zhen

(School of Field Engineering, PLA University of Science and Technology, Nanjing 210007, Jiangsu, China)

The existing camouflage detection is mainly for static targets, which can not objectively reflect the effectiveness of camouflage in combat operations of mobile equipment. The moving object detection technology and the principle of camouflage are synthetical used for target detection, and the military truck model is used as the research object. Based on Surendra background update model and Lab three-channel, a new method for detecting the camouflage effect of moving objects is proposed. According to the established experimental system, the Euclidean distance between the shape feature parameters of the military truck before and after camouflage is calculated, and the average Euclidean distance of the image sequences is 189.45. It showes that the shape feature parameters of the moving objects before and after camouflage are very different. The target after camouflage has a certain characteristics of dynamic deformation camouflage. At the same time, with the aid of the performance evaluation module, the correlation coefficient range of target image before and after camouflage is 0.003 5～0.127 5. The scientific and reliability of the detection method is proved. According to the principle of moving target detection algorithm, it can be known that the images of moving target after camouflage has a certain fusion with the images of central background.

ordnance science and technology; moving target; pattern painting camouflage; digital camouflage; effect detection

2016-03-01

國家社會科學(xué)基金軍事學(xué)項目(15GJ005-002)

楊駿堂(1991—)，男，碩士研究生。E-mail:yangjt12605@aliyun.com

許衛(wèi)東(1966—)，男，教授，博士生導(dǎo)師。E-mail:xweibing1968@aliyun.com

E951.4

A

1000-1093(2017)01-0190-05

10.3969/j.issn.1000-1093.2017.01.025