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）

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。

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。

图1 伪装效能评估整体流程图Fig.1 Flow chart of Camouflage effectiveness evaluation

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，目标自身表面破坏程度越高，伪装效果越好。模型具体表达式为

图2 表面破坏度表征模型原理示意图Fig.2 Schematic diagram of surface disruption characterization model

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(α)和fmask(α)间的皮尔逊相关系数估计；
α为分形函数的奇异性指数。在计算ftar(α)和fmask(α)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(α)可以根据勒让德变换和直接计算法进行确定［16］

式中，多重分形谱f(α)和奇异指数α是q的隐函数，对每个给定的q值，通过拟合斜率计算f(α)和α，在实际计算中q的取值范围通常为(−1，1)；
μi(q，ε)为概率Pi(ε)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ε×ε×ε的正方体盒子进行分割，ε=2，4，8，…，最大值受限于曲面大小；
Pi(ε)为第i个盒子中的灰度之和ni(ε)与图像总灰度的比值，即质量概率，i=1，2，3，…，1/ε2。

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

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。

1） 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。

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。

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)

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。

然后计算伪装目标tar与背景图像bac的梯度幅值相似性（GMS）为

最后计算GMS的标准差，作为伪装图像和背景图像之间的纹理相似性指数。

3） 结构相似度

SSIM（Structural Similarity）是目前最为公认的图像结构相似度度量指标。

式中，μtar、μbac分别为目标和背景灰度图像的均值，σtar、σbac分别为目标和背景灰度图像的标准差，σtb则是协方差。

1.2 特征融合

特征融合阶段视觉系统将获取的多维特征进行有效关联，形成对目标的深层认知。特征融合时受到场景整体复杂度和过去知识经验的共同作用。当场景较复杂时，混隐色特征占据主导地位，场景较简单时则背景匹配特征更加显著。因此，可建立模型利用背景复杂度引导混隐色特征和背景匹配特征的类间融合

式中，Ri为第i幅图像最终伪装评估结果，取值范围为(0，1)，其值越接近1则伪装效能越高；
Bi为背景匹配特征；
Di为混隐色特征；
Ni为线性融合权重，其值正比于背景复杂度，即背景越复杂，混隐色特征权重越大。

背景匹配特征Bi由颜色、纹理、结构三种特征融合，混隐色特征Di则是边缘、表面破坏度特征融合。由于特征的变化程度代表的物理意义各不相同，为了充分利用特征数据，本文采用熵权法进行特征之间的初步融合［19］

式（12）中线性系数Ni取决于背景复杂度，采用逻辑斯蒂方程建立背景复杂度与混隐色特征和背景匹配特征的关联联系。逻辑斯蒂方程具有以下特点：1）单调增加趋势，符合在复杂度变化的情况下，人眼对伪装策略特征的敏感性逐渐变化的趋势；
2）曲线具有的潜伏期，增长期和稳定期，有利于根据图像复杂度区间调节曲线变化趋势，自适应给予权重。具体表达式为

在本文模型中，t为对应图像的特征拥塞指数［20］，用于度量场景的复杂度，场景越复杂特征拥塞指数越高。N0、K和r为常数，共同决定了曲线形状，具体大小需考虑数据集复杂度分布和模型需求。实验和经验表明，N0=5，K=375，r=1条件下，可以较好模拟人眼对混隐色特征和背景匹配特征的感知特性。

为了验证评估模型在不同伪装目标和不同复杂度背景下的有效性，选择两类实验数据集，一类为场景复杂程度相对较低的公开数据集Search_2，另一类为场景较为复杂的自建数据集CamData。如图3所示，Search_2数据集的特征拥塞指数在2附近，区间宽度为0.372，区间较小；
而CamData数据集图像受到光影、树木大小和数量、低矮植物等因素影响，特征拥塞指数最小值为4.325 2，最大值为8.344，区间大小为4.019。两个数据集的复杂度分布截然不同，满足评估模型测试需求。

图3 数据集图像复杂度分布图Fig.3 Image complexity distribution of the dataset

2.1 Search_2数据集

Search_2数据集是由TNO人类因素研究所提供的公开数据集［21］，广泛应用于目标搜索探测性能研究和伪装效果评估领域［22-23］。数据集包含44幅不同场景的数字彩色图像，每幅图像含1～2个目标。主观评估结果由64名专业观察者给出，他们对每幅图像进行观测并搜索目标。本文实验中，去掉了目标过小等问题图像5幅，最终有效数据为39幅图像［22］，见图4。

图4 Search_2数据集第30幅图像Fig.4 The 30th image of the Search_2 dataset

2.2 CamData数据集

目前包含伪装目标和专业主观评估结果的公开数据集极少，为了验证本文提出的算法在不同复杂背景下的有效性，本文建立了数据集CamData。数据集来源为网络上搜集到的16个视频，拍摄地点位于美国北德克萨斯森林，视频记录了身穿军事迷彩服装的人员在森林中隐藏的画面，见图5。将视频逐帧提取为多幅图像，选择其中部分图像构建数据集。选择标准为①背景颜色众多，纹理复杂；
②伪装人员在丛林中有意隐藏，具备较大的搜索难度。视频地址为https：//www.youtube.com/user/Brent0331。

图5 CamData数据集第42幅图像Fig.5 The 42th image of the CamData dataset

数据集图像共39幅图像，每幅图像均包含1个伪装目标，伪装目标身穿四种军事迷彩：德国迷彩Concamo，为美国陆军狙击手设计的DEPSOC，德国迷彩PHANTOMLEAF WASP以及中国07迷彩。数据集中目标的暴露面积不同，但均存在头盔、非天然图案等足够的特征供受试者发现并确认目标。

为了获取专业可信的伪装目标主观评估结果，以文献［17，21］为基础组织15名专业观测者参与主观评估实验，要求参与者色觉正常（通过石原氏色盲检测），裸眼或矫正视力1.2以上，年龄在20至30岁之间，熟悉实验的基本步骤，避免误判。参与者坐在液晶显示器前，调整屏幕确保水平视角。眼睛和屏幕之间的距离被设置为45 cm。图像显示在屏幕上，图像的分辨率为1 920×1 080（与屏幕分辨率相同），屏幕长38.7 cm，宽25.9 cm。

在开始实际的搜索实验之前，首先向受试者展示伪装人员的四个特写镜头。展示伪装人员的特写只是为了让受试者熟悉搜索目标，提醒受试者目标是人造物体，与自然物体（岩石、灌木丛）形成鲜明对比。之后进行5次搜索实验的试运行，使受试者熟悉视觉搜索过程。搜索实验从呈现一个新场景图像开始，受试者的任务是在图像中搜索伪装人员，并在检测到目标时立即按下鼠标左键。计算机记录从图像显示开始到受试者发出检测到目标信号的时间间隔，记为搜索时间。在受试者做出响应后，为了检查响应的正确性，受试者被要求点击的位置位于目标内部。如果指示的位置位于目标内部或者与目标边界相差极小，则认为检测是正确的。同时，若受试者认为本场景中不包含目标，则按下鼠标右键，表示无法寻找到目标。

正式的搜索实验在试运行后开始。受试者可以自由选择搜索方式，不被要求以特定的顺序搜索图像或在特定位置开始。在实验过程中每5幅图像均有一个休息时间，以减少视觉疲劳的可能性。

衡量伪装评估模型优劣时，通常采用主客观一致性指标，即比较评估模型与专家评估结果之间的相关程度，相关程度越高模型性能越好［22，24-25］。本文选择均方根误差（Root Mean Square Error， RMSE）、皮尔逊相关系数（Pearson Correlation Coefficient， PLCC）和斯皮尔曼秩相关系数（Spearman＇s Rank Correlation Coefficient， SRCC）作为评价指标，RMSE越小，PLCC和SRCC值越接近1，模型性能越好。

由于模型评估值与专家评估结果间物理含义和尺度不同，相关性难以直接表征，因此需要利用函数模型进行估计转换。探测概率估计模型采用静态目标探测性能模型［26］

式中，Ppred表示探测概率估计值；
X表示模型评估值；
X50表示探测概率为50%时的模型评估值，指数E和X50通过最小二乘法确定。搜索时间估计模型采用多项式拟合模型［22］

式中，MPred表示搜索时间估计，参数a，b，c通过最小二乘法拟合确定。

为验证本文伪装评估模型性能，选择三种目前认可度较高、性能领先的评估方法作为比较对象，分别是基于感知色差和梯度的伪装效能评估方法（Camouflage Effectiveness Based on Perceived Color Difference and Gradient Magnitude， PCDGM）［17］、计算目标和背景相似性的通用图像质量指标（UIQI）以及基于Gabor滤波器的边缘破坏度（GabRat）方法。

表1和表2为各算法在Search_2数据集上的主客观一致性比较结果，其中每个性能指标排名前三的值已加粗，Ours（Back）和Ours（Dis）分别表示使用本文模型时只考虑背景匹配特征和只考虑混隐色特征，用于消融实验。

表1 Search_2数据集各方法探测概率主客观一致性比较结果Table 1 Comparison results of subjective and objective consistency of detection probability of different methods in Search_2 dataset

表2 Search_2数据各方法集搜索时间主客观一致性比较结果Table 2 Comparison results of subjective and objective consistency of search time of different methods in Search_2 dataset

与其它方法相比，本文模型Ours（Back+Dis）的PLCC、SCC和RMSE均为最优值，具有最高的主客观一致性，图6为评估值与主观结果对应的拟合曲线。以背景匹配特征为核心的PCDGM和UIQI也均取得了较好的结果，而以混隐色特征为核心的GabRat结果较差。消融实验结果表明，Ours（Back）和Ours（Back+Dis）性能相近，而Ours（Dis）结果较差，说明在复杂度较低的Search_2数据集上背景匹配特征起主导作用，混隐色特征权重较低。

表3和表4为各算法在CamData数据集上的主客观一致性比较结果，其中每个性能指标排名前三的值已加粗。

表3 CamData数据集各方法探测概率主客观一致性比较结果Table 3 Comparison results of subjective and objective consistency of detection probability of different methods in CamData dataset

表4 CamData数据集各方法搜索时间主客观一致性比较结果Table 4 Comparison results of subjective and objective consistency of search time of different methods in CamData dataset

CamData数据集场景复杂度较高且变化区间较大，此时背景匹配特征对人眼的刺激性降低，Ours（Back）、PCDGM和UIQI均无法对伪装效果进行有效评价。另一方面，混隐色特征作用开始显现，本文模型Ours（Back+Dis）结果最优，Ours（Dis）性能与其接近。而GabRat虽然也考虑了混隐色特征，但只考虑了目标边缘的连贯性，未考虑目标表面的完整性，只能在一定程度上评估伪装效果。

在CamData数据集上，本文模型法得到的评估值与主观结果对应的拟合曲线如图7所示，表明本文模型的预测曲线与主观数据仍然具有较好地一致性；
相比图6，本数据集中的实验结果更多地分布在预测曲线上下两侧，偏离点数量更多，主要原因是CamData数据集的主观结果分布均匀，范围更广。

图6 Search_2数据集本文方法与主观结果拟合曲线Fig.6 Fitting curves of our method and subjective results in Search_2 dataset

图7 CamData数据集本文方法与主观结果拟合曲线Fig.7 Fitting curves of our method and subjective results in CamData dataset

为了进一步验证本文算法的合理性和有效性，选取数据集中4幅典型图像，如图8所示，对其评估结果进行分析。

图8 数据集典型图像Fig.8 The typical images of the dataset

评估数据见表5，其中评估结果和探测概率已加粗。

表5 典型图像评估结果Table 5 Typical image evaluation results

表5为本文算法计算得到的各个特征值和主观实验得到的探测概率，从左至右分别为：边缘破坏度、表面破坏度、纹理相似度、结构相似度、颜色相似度、权重N、评估结果和探测概率。由表5可知，本方法对上述4个目标的伪装评价结果由优至劣为：Fig.8（a）> Fig.8（c）> Fig.8（e）> Fig.8（g）；
而探测概率的顺序从低到高依次为：Fig.8（a）< Fig.8（c）< Fig.8（e）< Fig.8（g）。即伪装效果越好，探测概率越低，符合主观实验结果。

伪装效果最好的Fig.8（a）中，伪装目标潜伏在低矮植物背后，目标姿势符合植物生长方向，极具迷惑性。计算结果中边缘破坏度和表面破坏度为4幅图像中的最大值，表明伪装手段导致目标边缘和表面的完整性被破坏，因此难以被视觉系统察觉。而纹理、颜色、结构三个相似度与主观实验结果存在偏差，正如前文分析，在图像整体较为复杂的情况下，依靠目标在图像中的纹理、颜色等特征的相似度难以稳定评估伪装效果。权重N最大，表明模型中边缘破坏度和表面破坏度对评估结果的影响最大，符合模型建立的初衷。

Fig.8（c）中，伪装目标露出上半身趴倒在坡上手持枪械瞄准，目标头部和手臂比较突出，表面相对完整。表5中数据显示，Fig.8（c）中伪装目标具有较高的边缘破坏度和表面破坏度，表明伪装手段较好地破坏了目标表面和边缘的完整性，使目标不易被发现。Fig.8（e）中，目标在旷野上行驶，依靠迷彩图案融入局部环境。数据显示，此目标纹理、结构和颜色相似度较高，而边缘破坏度和表面破坏度较低，与图像表现出的特征相符，具有一定的伪装效果。而Fig.8（g）则是目标基本不能融入环境，特征明显，伪装效果最差。

实际应用中，不同标注人员对同一目标的掩模标注存在一定误差，本文通过对比实验分析了掩模误差对评估结果的影响。如表6所示，表中第一列为精确标注的真值掩模和对比掩模，第二列为掩模中目标所占像素数量，第三列为伪装效能评估结果，第四列为掩模精度导致的评估误差。结果表明，掩模误差对评估结果的影响很小，相对误差在3.5%以下。究其原因是本文模型主要基于目标与背景的特征级差异而非像素级，对掩模标注误差有较强的容忍度。

表6 掩模误差影响对比实验结果Table 6 Results of mask error comparison experiments

两个数据集的实验结果表明，本文模型利用场景复杂度引导背景匹配特征与混隐色特征进行自适应融合，与视觉搜索机制符合性更优，能够对目标伪装状态和背景环境的变化给予准确的反映，适用于不同场景下目标的高可靠性伪装效能评估。

本文从视觉搜索机制与目标伪装策略的对抗角度出发，综合混隐色和背景匹配特征，建立了混隐色特征背景引导融合的伪装评估模型，克服了传统模型在复杂环境下可靠性较低的缺点，实现了不同复杂环境下目标伪装效果的综合性评估。理论分析和实验证明，本文方法在两个不同复杂程度场景中具有较好的主客观一致性，并且可操作性和稳定性高，具有一定的应用推广价值。

猜你喜欢复杂度边缘背景“新四化”背景下汽车NVH的发展趋势汽车工程师(2021年12期)2022-01-17《论持久战》的写作背景当代陕西(2020年14期)2021-01-08一种低复杂度的惯性/GNSS矢量深组合方法中国惯性技术学报(2019年6期)2019-03-04求图上广探树的时间复杂度中央民族大学学报（自然科学版）(2017年2期)2017-06-11一张图看懂边缘计算通信产业报(2016年44期)2017-03-13晚清外语翻译人才培养的背景贵州师范学院学报(2016年4期)2016-12-01某雷达导51 头中心控制软件圈复杂度分析与改进火控雷达技术(2016年3期)2016-02-06出口技术复杂度研究回顾与评述浙江理工大学学报(自然科学版)(2015年10期)2015-03-01在边缘寻找自我雕塑(1999年2期)1999-06-28走在边缘雕塑(1996年2期)1996-07-13

推荐访问:效能 伪装 融合