基于视觉显著度和相似度表征的装备伪装性能评估方法

1.本发明涉及伪装性能评估技术领域，尤其涉及基于视觉显著度和相似度表征的装备伪装性能评估方法。


背景技术：

2.关于装备伪装效果评估的研究较多，大多集中在迷彩伪装、红外探测、高光谱侦察等特定手段和材料涂装等方面，都在不同侧面仅对伪装性能或单项能力进行评估，能够结合作战任务、战场复杂地形和探测威胁进行伪装效能评估，满足实战运用的研究相对较少。


技术实现要素：

3.本发明提出的基于视觉显著度和相似度表征的装备伪装性能评估方法，以解决现有技术中的上述不足之处。
4.为了实现上述目的，本发明采用了如下技术方案：
5.基于视觉显著度和相似度表征的装备伪装性能评估方法，包括模型算法，所述模型算法包括有限时间搜索模型，所述有限时间搜索模型中每一次的伪装车辆搜索过程包括以下步骤：
6.s1、发现可疑目标的过程：首先是探测系统在宽视场搜索感兴趣的区域和感兴趣的目标；
7.s2、确认目标的过程：然后探测系统转入感兴趣区域或感兴趣的目标所在的窄视场进行识别确认，对发现的目标与预先掌握的各类车辆的特征进行比对，确认伪装车辆的种类和型号；
8.s3、完成探测：确认目标后判断其价值及必要性，完成整个探测过程。
9.优选的，所述宽视场搜索感兴趣的区域和感兴趣的目标从人类视觉注意机制来看，影响宽视场发现目标的关键因素是感兴趣区域或目标的显著度，即背景不同区域的显著度和目标相对背景的显著度，所述窄视场进行识别确认，其中影响窄视场中确认目标类型的关键因素是已发现的目标与已知目标特征的相似度，据此提出了复杂背景中伪装车辆在有限时间搜索模型下的伪装效果评估模型，算法输入任务所在区域背景图像、车辆伪装图像和车辆已公布的图像数据集，具体步骤如下：
10.s1、形成背景图像各区域的本地显著度：对背景图像进行超像素分割，提取特征，计算各超像素之间的特征距离，采用邻接超像素比对模型，归一化后形成背景图像各区域的本地显著度；
11.s2、形成目标显著度：提取伪装车辆图像特征，计算与背景各超像素的特征距离，归一化后形成目标显著度；
12.s3、综合显著度向量：采用综合显著度函数计算伪装车辆在该背景各区域的综合显著度向量；
13.s4、聚类构成视觉词典：提取车辆已公布的图像数据集中所有图像的局部特征，聚
类构成视觉词典；
14.s5、获得目标类别相似度：提取伪装车辆图像特征，与视觉词典中对应车辆类别的视觉词汇比对，得到目标类别相似度；
15.s6、对车辆伪装效能进行评估：根据任务路径及伪装要求，综合显著度和相似度，用公式对车辆伪装效能进行评估；
16.公式：e＝sa
·
si；
17.其中e是伪装效果评估值。
18.优选的，所述伪装车辆在背景中是否容易被发现成为感兴趣的目标，取决于其综合显著度，综合显著度由两部分组成，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，二是目标相对于所处背景局部区域的视觉特征显著度，即目标显著度，据此提出伪装车辆在复杂背景下的显著度计算模型，具体步骤为：
19.s1、计算本地显著度：提取背景图像不同尺度下超像素的视觉特征，采用邻接超像素比对模型，计算本地显著度；
20.s2、形成目标显著度：提取伪装车辆图像不同尺度下的视觉特征，与背景各超像素进行比对，形成目标显著度；
21.s3、计算伪装车辆在该背景各区域的综合显著度：使用综合显著度函数计算伪装车辆在该背景各区域的综合显著度；
22.人类视觉显著度计算模型分为自底向上和自顶向下的两类，对复杂地物背景下地面伪装车辆的探测识别，实时性和快速性要求高，基于数据驱动、无任务及先验知识参与的up模型具有更强的适应性，目前经典的视觉显著度计算模型及对应的特征空间和距离；
23.所述综合显著度函数：
24.本地显著度sa
l
与目标显著度sa
t
的综合形成目标相对背景的综合显著度sa，有：
25.sa＝f(sa
l
,sa
t
)；
26.表示为二维向量空间v＝span{sa
l
，sa
t
}，sa
l
∈[0,1]，sa
t
∈[0,1]到实数域sa∈[0,1]的一组泛函；
[0027]
从本地显著度与目标显著度的关系可得，综合显著度属于0到1的闭区间；
[0028]
当本地显著度与目标显著度均为1时，综合显著度也为1；
[0029]
目标显著度为0，综合显著度也为0；
[0030]
本地显著度为0，综合显著度等于目标显著度；
[0031]
目标显著度为1，综合显著度也为1；
[0032]
因此，综合显著度函数满足边界约束条件：
[0033][0034]
通过函数影响关系分析，本地显著度越大，其对目标显著度是累加作用越明显，即综合显著度与目标显著度的差也越大，而在目标显著度和本地显著度两个方向上，综合显著度均为单调递增，即两个方向的梯度均不小于0；
[0035]
综合边界条件式及以上分析，选用幂函数进行计算机迭代验算，综合显著度函数
可表示为：
[0036][0037]
式中σ为本地显著度影响强度因子，与背景复杂程度有关，地物地貌越复杂，其对综合显著度影响越明显；
[0038]
本地显著度的超像素邻域表征：
[0039]
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，而在伪装效果评估中，伪装车辆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物背景，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，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算法；
[0040]
目标所在背景超像素块的本地显著度，取决于周围邻域超像素的关键特征差异，采用邻接超像素对比模型构建背景本地显著度表征；
[0041]
目标显著度表征：
[0042]
目标与所处背景块的视觉特征差异度计算，首先要将目标图像与背景图像进行同质化预处理，使目标图像格式、分辨率和大小与地物背景一致，剔除原目标图像无关像素，将目标图像视为一个超像素与背景各超像素进行特征比对，计算目标图像特征向量f
t
与背景超像素特征向量f
gi
的距离，归一化后得目标显著度：
[0043]
sa
t
＝dis(f
t
,f
gi
)；
[0044]
目标与背景多尺寸显著度矩阵
[0045]
在伪装效果评估中，需要考虑车辆在多种侦察手段下不同分辨率图像的显著度特征，根据分辨率由高到低分别构建背景和目标图像的多尺度图像，将背景图像分割为k个超像素，对应层级的车辆图像分别与k个超像素块进行差异度对比，形成多尺度特征距离矩阵；
[0046]
第r(r∈{1,2，
…
，r})个尺度下，背景的k个超像素之间特征距离均构成1个对称矩阵：
[0047][0048]
由于距离度量量纲不同，矩阵中各维向量存在大小不一的情况，有时相差很大，需要将向量归一化到相同的区间，采用高斯归一化方法分别计算各特征向量的均值m和方差σ，用式将各距离向量归一化到[0,1]区间；
[0049][0050]
采用邻接超像素模型，用公式计算各尺度特征显著度向量，组合得到各尺度背景图像的本地显著度矩阵：
[0051][0052]
车辆与背景的k个超像素之间各尺度的特征距离向量构成目标距离矩阵：
[0053][0054]
归一化处理后得到各尺度的目标显著度矩阵：
[0055][0056]
不同尺度的显著度矩阵整合后形成r维目标显著度矩阵和本地显著度矩阵：
[0057]
sa
t
＝[sa
t(1)
ꢀ…ꢀ
sa
t(r)
]；
[0058]
sa
l
＝[sa
l(1)
ꢀ…ꢀ
sa
l(r)
]；
[0059]
得到目标多尺度的综合显著度矩阵：
[0060]
sa＝sa
l1/(σsat+1)
。
[0061]
优选的，发现所述显著度目标后，要对目标在窄视场下确认目标种类以进一步评估其价值，从人类视觉机理上，该过程是将探测到的目标特征与已知目标进行比对的过程，此过程中，因显著度过高被发现的目标与探测方已经掌握的目标的相似程度决定了目标被最终确认的可能性，基于此，采用视觉词袋模型对伪装目标的相似度进行评估，步骤如下：
[0062]
s1、伪装车辆的已知图像集和探测图像收集：
[0063]
首先收集多类伪装车辆已公开或可能已被掌握的图像，加标签分类后作为训练集；
[0064]
s2、局部特征选择与提取：
[0065]
相对于显著度计算过程中选取的图像的全局特征来说，bovm模型中使用局部特征，局部特征比较稳定且数量众多。图像局部特征提取算法有sift、surf、dog、mser等，可以选择一种，也可以选择多种进行融合。本文后续试验选择的是sift特征；
[0066]
s3、生成视觉词典：
[0067]
一幅图像的局部特征点很多，计算每个特征会大大提高计算的复杂度，而且近似特征较多，一般采用聚类算法将图像的多个特征点进行聚类，缩小特征的规模，这一过程称为视觉词典的构建。对训练集图像提取sift特征采用基于直方图相交核的k-means聚类方法生成含有n个视觉单词的视觉词典。
[0068]
s4、视觉词典特征构建：
[0069]
为了能够充分利用图像的空间信息，对各图像进行多尺度处理，采用空间金字塔匹配模型，提取高维局部特征空间的分层信息。计算训练库中图像每一个特征向量距离最近的视觉单词，统计整幅图像各特征最近视觉单词出现的频数，归一化得到图像的特征直方图表示；
[0070]
s5、目标图像特征提取：
[0071]
提取目标图像的金字塔sift特征，同样计算与视觉单词的距离，统计最近视觉单词的频数，归一化得到目标图像特征的直方图表示；
[0072]
s6、相似度度量：
[0073]
计算目标图像直方图与训练集图像直方图的交，按标签，统计目标图像与训练图像特征直方图交的均值，以训练库分类中对应的感兴趣目标类别的均值作为相似度。计算伪装车辆图像直方图与训练集中所有图像直方图的交点均值，即算法直接得到的相似度，称为算法相似度(asi)，用sia表示，采集一定数量的伪装车辆图像作为测试集，对算法分类进行测试，正确分类的图像与所有测试图像的数量之比就是算法的准确率，用α表示，将算法准确率与算法精度相结合，伪装车辆的特征相似度定义为；
[0074]
si＝αsia。
[0075]
与现有的技术相比，本发明的有益效果是：
[0076]
(1)方法综合车辆伪装特征和背景地貌典型特征，结合车辆目标和背景的多尺度二维图像，根据目标侦察过程，从相对于背景的显著度和目标特征相似性两个方面，构建了伪装车辆效果评估方法。通过试验验证，方法能够客观反映车辆不同伪装状态下在不同环境背景下的伪装效果，确定不同伪装状态的优势应用环境，为迷彩伪装效果评估提供量化数据支撑。
[0077]
(2)通过试验验证和伪装效果分析来看，车辆不同伪装状态在不同背景下的伪装效果差异明显，对车辆目标进行数码迷彩伪装覆盖降低显著度，通过改变形状降低特征相似性，能够显著提高伪装效果，但对地面车辆相似性特征的遮盖和变形更能有效的提高伪装效果，从而降低被识别确认的概率。
[0078]
(3)迷彩伪装效果评估方法能够较为客观的量化评估车辆在不同地貌背景下的伪装效果，评估结果不仅能为伪装效果优化提供数据支撑，也能为车辆运用环境、隐蔽区域和伪装状态选择提供决策依据和参考。
附图说明
[0079]
图1为本发明提出的基于视觉显著度和相似度表征的装备伪装性能评估方法的有限时间搜索模型流程图；
[0080]
图2为本发明提出的基于视觉显著度和相似度表征的装备伪装性能评估方法的伪装车辆在有限时间搜索模型下的伪装效果评估模型流程图；
[0081]
图3为本发明提出的基于视觉显著度和相似度表征的装备伪装性能评估方法的伪装车辆在复杂背景下的显著计算模型流程图；
[0082]
图4为本发明提出的基于视觉显著度和相似度表征的装备伪装性能评估方法的视觉词袋模型流程图。
具体实施方式
[0083]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0084]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0085]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0086]
实施例1：参照图1-3：基于视觉显著度和相似度表征的装备伪装性能评估方法，包括模型算法，模型算法包括有限时间搜索模型，有限时间搜索模型中每一次的伪装车辆搜索过程包括以下步骤：
[0087]
s1、发现可疑目标的过程：首先是探测系统在宽视场搜索感兴趣的区域和感兴趣的目标；
[0088]
s2、确认目标的过程：然后探测系统转入感兴趣区域或感兴趣的目标所在的窄视场进行识别确认，对发现的目标与预先掌握的各类车辆的特征进行比对，确认伪装车辆的种类和型号；
[0089]
s3、完成探测：确认目标后判断其价值及必要性，完成整个探测过程；
[0090]
宽视场搜索感兴趣的区域和感兴趣的目标从人类视觉注意机制来看，影响宽视场发现目标的关键因素是感兴趣区域或目标的显著度，即背景不同区域的显著度和目标相对背景的显著度，窄视场进行识别确认，其中影响窄视场中确认目标类型的关键因素是已发现的目标与已知目标特征的相似度，据此提出了复杂背景中伪装车辆在有限时间搜索模型下的伪装效果评估模型，算法输入任务所在区域背景图像、车辆伪装图像和车辆已公布的图像数据集，具体步骤如下：
[0091]
s1、形成背景图像各区域的本地显著度：对背景图像进行超像素分割，提取特征，计算各超像素之间的特征距离，采用邻接超像素比对模型，归一化后形成背景图像各区域的本地显著度；
[0092]
s2、形成目标显著度：提取伪装车辆图像特征，计算与背景各超像素的特征距离，归一化后形成目标显著度；
[0093]
s3、综合显著度向量：采用综合显著度函数计算伪装车辆在该背景各区域的综合显著度向量；
[0094]
s4、聚类构成视觉词典：提取车辆已公布的图像数据集中所有图像的局部特征，聚类构成视觉词典；
[0095]
s5、获得目标类别相似度：提取伪装车辆图像特征，与视觉词典中对应车辆类别的视觉词汇比对，得到目标类别相似度；
[0096]
s6、对车辆伪装效能进行评估：根据任务路径及伪装要求，综合显著度和相似度，用公式对车辆伪装效能进行评估；
[0097]
公式：e＝sa
·
si；
[0098]
其中e是伪装效果评估值。
[0099]
实施例2：参照图2-4：本实施例在实施例一的基础上提供了一种技术方案：伪装车辆在背景中是否容易被发现成为感兴趣的目标，取决于其综合显著度，综合显著度由两部
分组成，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，二是目标相对于所处背景局部区域的视觉特征显著度，即目标显著度，据此提出伪装车辆在复杂背景下的显著度计算模型，具体步骤为：
[0100]
s1、计算本地显著度：提取背景图像不同尺度下超像素的视觉特征，采用邻接超像素比对模型，计算本地显著度；
[0101]
s2、形成目标显著度：提取伪装车辆图像不同尺度下的视觉特征，与背景各超像素进行比对，形成目标显著度；
[0102]
s3、计算伪装车辆在该背景各区域的综合显著度：使用综合显著度函数计算伪装车辆在该背景各区域的综合显著度；
[0103]
人类视觉显著度计算模型分为自底向上和自顶向下的两类，对复杂地物背景下地面伪装车辆的探测识别，实时性和快速性要求高，基于数据驱动、无任务及先验知识参与的up模型具有更强的适应性，目前经典的视觉显著度计算模型及对应的特征空间和距离；
[0104]
综合显著度函数：
[0105]
本地显著度sa
l
与目标显著度sa
t
的综合形成目标相对背景的综合显著度sa，有：
[0106]
sa＝f(sa
l
,sa
t
)；
[0107]
表示为二维向量空间v＝span{sa
l
，sa
t
}，sa
l
∈[0,1]，sa
t
∈[0,1]到实数域sa∈[0,1]的一组泛函；
[0108]
从本地显著度与目标显著度的关系可得，综合显著度属于0到1的闭区间；
[0109]
当本地显著度与目标显著度均为1时，综合显著度也为1；
[0110]
目标显著度为0，综合显著度也为0；
[0111]
本地显著度为0，综合显著度等于目标显著度；
[0112]
目标显著度为1，综合显著度也为1；
[0113]
因此，综合显著度函数满足边界约束条件：
[0114][0115]
通过函数影响关系分析，本地显著度越大，其对目标显著度是累加作用越明显，即综合显著度与目标显著度的差也越大，而在目标显著度和本地显著度两个方向上，综合显著度均为单调递增，即两个方向的梯度均不小于0；
[0116]
综合边界条件式及以上分析，选用幂函数进行计算机迭代验算，综合显著度函数可表示为：
[0117][0118]
式中σ为本地显著度影响强度因子，与背景复杂程度有关，地物地貌越复杂，其对综合显著度影响越明显；
[0119]
本地显著度的超像素邻域表征：
[0120]
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，而在伪装效果评估中，伪装车辆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物背景，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，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算法；
[0121]
目标所在背景超像素块的本地显著度，取决于周围邻域超像素的关键特征差异，采用邻接超像素对比模型构建背景本地显著度表征；
[0122]
目标显著度表征：
[0123]
目标与所处背景块的视觉特征差异度计算，首先要将目标图像与背景图像进行同质化预处理，使目标图像格式、分辨率和大小与地物背景一致，剔除原目标图像无关像素，将目标图像视为一个超像素与背景各超像素进行特征比对，计算目标图像特征向量f
t
与背景超像素特征向量f
gi
的距离，归一化后得目标显著度：
[0124]
sa
t
＝dis(f
t
,f
gi
)；
[0125]
目标与背景多尺寸显著度矩阵
[0126]
在伪装效果评估中，需要考虑车辆在多种侦察手段下不同分辨率图像的显著度特征，根据分辨率由高到低分别构建背景和目标图像的多尺度图像，将背景图像分割为k个超像素，对应层级的车辆图像分别与k个超像素块进行差异度对比，形成多尺度特征距离矩阵；
[0127]
第r(r∈{1,2，
…
，r})个尺度下，背景的k个超像素之间特征距离均构成1个对称矩阵：
[0128][0129]
由于距离度量量纲不同，矩阵中各维向量存在大小不一的情况，有时相差很大，需要将向量归一化到相同的区间，采用高斯归一化方法分别计算各特征向量的均值m和方差σ，用式将各距离向量归一化到[0,1]区间；
[0130][0131]
采用邻接超像素模型，用公式计算各尺度特征显著度向量，组合得到各尺度背景图像的本地显著度矩阵：
[0132][0133]
车辆与背景的k个超像素之间各尺度的特征距离向量构成目标距离矩阵：
[0134][0135]
归一化处理后得到各尺度的目标显著度矩阵：
[0136][0137]
不同尺度的显著度矩阵整合后形成r维目标显著度矩阵和本地显著度矩阵：
[0138]
sa
t
＝[sa
t(1)
ꢀ…ꢀ
sa
t(r)
]；
[0139]
sa
l
＝[sa
l(1)
ꢀ…ꢀ
sa
l(r)
]；
[0140]
得到目标多尺度的综合显著度矩阵：
[0141][0142]
发现显著度目标后，要对目标在窄视场下确认目标种类以进一步评估其价值，从人类视觉机理上，该过程是将探测到的目标特征与已知目标进行比对的过程，此过程中，因显著度过高被发现的目标与探测方已经掌握的目标的相似程度决定了目标被最终确认的可能性，基于此，采用视觉词袋模型对伪装目标的相似度进行评估，步骤如下：
[0143]
s1、伪装车辆的已知图像集和探测图像收集：
[0144]
首先收集多类伪装车辆已公开或可能已被掌握的图像，加标签分类后作为训练集；
[0145]
s2、局部特征选择与提取：
[0146]
相对于显著度计算过程中选取的图像的全局特征来说，bovm模型中使用局部特征，局部特征比较稳定且数量众多。图像局部特征提取算法有sift、surf、dog、mser等，可以选择一种，也可以选择多种进行融合。本文后续试验选择的是sift特征；
[0147]
s3、生成视觉词典：
[0148]
一幅图像的局部特征点很多，计算每个特征会大大提高计算的复杂度，而且近似特征较多，一般采用聚类算法将图像的多个特征点进行聚类，缩小特征的规模，这一过程称为视觉词典的构建。对训练集图像提取sift特征采用基于直方图相交核的k-means聚类方法生成含有n个视觉单词的视觉词典。
[0149]
s4、视觉词典特征构建：
[0150]
为了能够充分利用图像的空间信息，对各图像进行多尺度处理，采用空间金字塔匹配模型，提取高维局部特征空间的分层信息。计算训练库中图像每一个特征向量距离最近的视觉单词，统计整幅图像各特征最近视觉单词出现的频数，归一化得到图像的特征直方图表示；
[0151]
s5、目标图像特征提取：
[0152]
提取目标图像的金字塔sift特征，同样计算与视觉单词的距离，统计最近视觉单词的频数，归一化得到目标图像特征的直方图表示；
[0153]
s6、相似度度量：
[0154]
计算目标图像直方图与训练集图像直方图的交，按标签，统计目标图像与训练图像特征直方图交的均值，以训练库分类中对应的感兴趣目标类别的均值作为相似度。计算伪装车辆图像直方图与训练集中所有图像直方图的交点均值，即算法直接得到的相似度，称为算法相似度(asi)，用sia表示，采集一定数量的伪装车辆图像作为测试集，对算法分类进行测试，正确分类的图像与所有测试图像的数量之比就是算法的准确率，用α表示，将算法准确率与算法精度相结合，伪装车辆的特征相似度定义为；
[0155]
si＝αsia。
[0156]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.基于视觉显著度和相似度表征的装备伪装性能评估方法，包括模型算法，其特征在于，所述模型算法包括有限时间搜索模型，所述有限时间搜索模型中每一次的伪装车辆搜索过程包括以下步骤：s1、发现可疑目标的过程：首先是探测系统在宽视场搜索感兴趣的区域和感兴趣的目标；s2、确认目标的过程：然后探测系统转入感兴趣区域或感兴趣的目标所在的窄视场进行识别确认，对发现的目标与预先掌握的各类车辆的特征进行比对，确认伪装车辆的种类和型号；s3、完成探测：确认目标后判断其价值及必要性，完成整个探测过程。2.根据权利要求1所述的基于视觉显著度和相似度表征的装备伪装性能评估方法，其特征在于，所述宽视场搜索感兴趣的区域和感兴趣的目标从人类视觉注意机制来看，影响宽视场发现目标的关键因素是感兴趣区域或目标的显著度，即背景不同区域的显著度和目标相对背景的显著度，所述窄视场进行识别确认，其中影响窄视场中确认目标类型的关键因素是已发现的目标与已知目标特征的相似度，据此提出了复杂背景中伪装车辆在有限时间搜索模型下的伪装效果评估模型，算法输入任务所在区域背景图像、车辆伪装图像和车辆已公布的图像数据集，具体步骤如下：s1、形成背景图像各区域的本地显著度：对背景图像进行超像素分割，提取特征，计算各超像素之间的特征距离，采用邻接超像素比对模型，归一化后形成背景图像各区域的本地显著度；s2、形成目标显著度：提取伪装车辆图像特征，计算与背景各超像素的特征距离，归一化后形成目标显著度；s3、综合显著度向量：采用综合显著度函数计算伪装车辆在该背景各区域的综合显著度向量；s4、聚类构成视觉词典：提取车辆已公布的图像数据集中所有图像的局部特征，聚类构成视觉词典；s5、获得目标类别相似度：提取伪装车辆图像特征，与视觉词典中对应车辆类别的视觉词汇比对，得到目标类别相似度；s6、对车辆伪装效能进行评估：根据任务路径及伪装要求，综合显著度和相似度，用公式对车辆伪装效能进行评估；e＝sa
·
si；其中e是伪装效果评估值。3.根据权利要求2所述的基于视觉显著度和相似度表征的装备伪装性能评估方法，其特征在于，所述伪装车辆在背景中是否容易被发现成为感兴趣的目标，取决于其综合显著度，综合显著度由两部分组成，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，二是目标相对于所处背景局部区域的视觉特征显著度，即目标显著度，据此提出伪装车辆在复杂背景下的显著度计算模型，具体步骤为：s1、计算本地显著度：提取背景图像不同尺度下超像素的视觉特征，采用邻接超像素比对模型，计算本地显著度；s2、形成目标显著度：提取伪装车辆图像不同尺度下的视觉特征，与背景各超像素进行
比对，形成目标显著度；s3、计算伪装车辆在该背景各区域的综合显著度：使用综合显著度函数计算伪装车辆在该背景各区域的综合显著度。4.根据权利要求3所述的基于视觉显著度和相似度表征的装备伪装性能评估方法，其特征在于，所述综合显著度函数：本地显著度sa
l
与目标显著度sa
t
的综合形成目标相对背景的综合显著度sa，有：sa＝f(sa
l
,sa
t
)表示为二维向量空间v＝span{sa
l
，sa
t
}，sa
l
∈[0,1]，sa
t
∈[0,1]到实数域sa∈[0,1]的一组泛函；从本地显著度与目标显著度的关系可得，综合显著度属于0到1的闭区间；当本地显著度与目标显著度均为1时，综合显著度也为1；目标显著度为0，综合显著度也为0；本地显著度为0，综合显著度等于目标显著度；目标显著度为1，综合显著度也为1；因此，综合显著度函数满足边界约束条件：通过函数影响关系分析，本地显著度越大，其对目标显著度是累加作用越明显，即综合显著度与目标显著度的差也越大，而在目标显著度和本地显著度两个方向上，综合显著度均为单调递增，即两个方向的梯度均不小于0；综合边界条件式及以上分析，选用幂函数进行计算机迭代验算，综合显著度函数可表示为：式中σ为本地显著度影响强度因子，与背景复杂程度有关，地物地貌越复杂，其对综合显著度影响越明显。5.根据权利要求4所述的基于视觉显著度和相似度表征的装备伪装性能评估方法，其特征在于，发现所述显著度目标后，要对目标在窄视场下确认目标种类以进一步评估其价值，从人类视觉机理上，该过程是将探测到的目标特征与已知目标进行比对的过程，此过程中，因显著度过高被发现的目标与探测方已经掌握的目标的相似程度决定了目标被最终确认的可能性。

技术总结
本发明公开了基于视觉显著度和相似度表征的装备伪装性能评估方法，涉及伪装性能评估技术领域，现提出如下方案，基于视觉显著度和相似度表征的装备伪装性能评估方法，包括模型算法，所述模型算法包括有限时间搜索模型，所述有限时间搜索模型中每一次的伪装车辆搜索过程包括以下步骤：S1、发现可疑目标的过程：首先是探测系统在宽视场搜索感兴趣的区域和感兴趣的目标；本发明参照作战目标探测的有限时间搜索模型，综合考虑伪装车辆成为感兴趣目标的显著度和与伪装后已公布特征的相似度两个方面构建伪装效果评估模型，对不同车辆在相同任务和探测环境下的伪装效能进行分析，同时对车辆的作战优势环境和任务路径进行优化分析。车辆的作战优势环境和任务路径进行优化分析。车辆的作战优势环境和任务路径进行优化分析。


技术研发人员：高钦和 王冬 刘志浩 黄通 李向阳 马栋 高蕾 刘秀钰
受保护的技术使用者：中国人民解放军火箭军工程大学
技术研发日：2023.04.06
技术公布日：2023/7/7