張寅，丁鵬遠(yuǎn)，朱桂熠，時(shí)萌瑋，閆鈞華

（南京航空航天大學(xué) 空間光電探測與感知工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，南京 211106）

0 引言

光學(xué)偽裝技術(shù)可大幅減少高價(jià)值目標(biāo)的可探測性與被發(fā)現(xiàn)概率，提高目標(biāo)生存能力，被廣泛應(yīng)用。如何全面有效評估偽裝效果的優(yōu)劣，是目前的研究重點(diǎn)之一，直接影響偽裝策略的設(shè)計(jì)與選擇。傳統(tǒng)評估模型主要從背景匹配策略出發(fā)，重點(diǎn)關(guān)注目標(biāo)與背景在顏色、亮度以及紋理等特征上的相似度。LIN C J等先后提出了質(zhì)量指數(shù)（Q index）［1］、偽裝相似指數(shù)（Camouflage Similarity Index， CSI）［2］和通用圖像質(zhì)量指數(shù)（Universal Image Quality Index， UIQI）［3］等相似度評價(jià)指標(biāo)，并通過眼動(dòng)實(shí)驗(yàn)驗(yàn)證了這些指標(biāo)值和主觀評價(jià)的一致性。其中，Q-index和UIQI比較灰度圖像之間的相關(guān)性，CSI比較圖像顏色之間的相似程度。YANG X等提出了多特征偽裝圖案評價(jià)指標(biāo)（Multi-Feature Camouflage Fused Index， MF-CFI），進(jìn)一步增加了對迷彩圖案紋理和形狀的分析，該指標(biāo)在改進(jìn)的UIQI算法基礎(chǔ)上，結(jié)合人類對顏色、紋理、形狀和結(jié)構(gòu)的視覺感知過程，經(jīng)過綜合計(jì)算進(jìn)行評價(jià)［4］。喻鈞等發(fā)現(xiàn)目標(biāo)偽裝前后輪廓發(fā)生的形變對偽裝效果有重要影響，因此提出了二值化統(tǒng)計(jì)矩方法提取目標(biāo)的輪廓特征，計(jì)算目標(biāo)輪廓形變度［5］。上述偽裝評估方法能夠有效度量目標(biāo)和背景在視覺上的匹配程度，但未能綜合考慮目標(biāo)表面的完整程度、邊緣的連貫程度以及場景對目標(biāo)造成的影響，不能準(zhǔn)確評估目標(biāo)在復(fù)雜多變的野外環(huán)境中的偽裝效果。

近年來，學(xué)者們通過探討飛蛾、螃蟹等動(dòng)物在自然環(huán)境中的偽裝和生存狀況，提出了混隱色偽裝策略的概念?；祀[色定義為破壞目標(biāo)輪廓或者在目標(biāo)內(nèi)部形成的虛假邊緣圖案［6］，針對此類的評估模型以邊緣融合程度為重點(diǎn)。LOVELL P G等提出可見度比率（Visibility Ratio， VisRat），通過Canny邊緣檢測器估計(jì)目標(biāo)輪廓與周圍環(huán)境邊緣數(shù)量之比，以此表示目標(biāo)輪廓的破壞程度［7］。KANG C等計(jì)算目標(biāo)輪廓與目標(biāo)中心邊緣數(shù)量之比，表示輪廓相對于內(nèi)部圖案的隱藏效果［8］。TROSCIANKO J等提出的Gabor邊緣破壞率（Gabor Edge Disruption Ratio， GabRat）是現(xiàn)階段最為成功的算法，其利用Gabor濾波器計(jì)算了偽裝目標(biāo)虛假邊緣和真實(shí)邊緣的比值，估計(jì)了目標(biāo)邊緣被分割、扭曲的程度［9］。目前，混隱色的研究多停留在仿真合成圖片中，研究對象局限于動(dòng)物，但該概念的提出為偽裝效能評估提供了新的理論依據(jù)。

背景匹配和混隱色對視覺搜索機(jī)制的影響作用尚未有定論［10-12］，但存在階段性的結(jié)論提供指導(dǎo)。研究表明，偽裝效果的表達(dá)依賴于視覺環(huán)境［13-14］。PRICE N等研究了巖石潭（背景較復(fù)雜）和泥潭（背景顏色單一）兩種背景下的螃蟹外表特征，證明了在復(fù)雜環(huán)境下混隱色占據(jù)主導(dǎo)地位，簡單背景下則是背景匹配［14］。同時(shí)，根據(jù)注意力特征融合理論，視覺系統(tǒng)在對目標(biāo)特征進(jìn)行融合時(shí)，會(huì)受到場景整體復(fù)雜度和過去知識(shí)經(jīng)驗(yàn)的共同作用［15］。因此，在進(jìn)行目標(biāo)偽裝效能評估時(shí)，必須考慮場景自身的特性情況。

本文將偽裝效能評估視為視覺搜索與目標(biāo)偽裝策略的對抗過程，在傳統(tǒng)背景匹配特征中引入混隱色特征，對目標(biāo)偽裝效果進(jìn)行綜合評估；針對混隱色特征中的表面完整性難以計(jì)算的問題，提出基于多重分形理論的目標(biāo)表面破壞度表征模型；在兩類特征的融合階段，根據(jù)背景引導(dǎo)理論，利用特征擁塞指數(shù)計(jì)算背景復(fù)雜度，通過邏輯斯蒂方程模擬人眼對各偽裝特征的敏感性，實(shí)現(xiàn)評估權(quán)重自適應(yīng)優(yōu)化。該模型增強(qiáng)了對環(huán)境的適應(yīng)性，提高了與主觀評價(jià)結(jié)果的一致性，能夠有效地對復(fù)雜環(huán)境下的偽裝效能進(jìn)行定量評估。

1 混隱色特征背景引導(dǎo)融合評估模型

基于混隱色特征背景引導(dǎo)融合的偽裝效能評估模型整體框架如圖1所示，分為特征登記和特征融合兩部分，與視覺搜索過程保持一致。在特征登記階段，模擬視覺系統(tǒng)對多維特征的獨(dú)立提取與加工能力。在顏色相似度、結(jié)構(gòu)相似度等經(jīng)典背景匹配特征基礎(chǔ)上，引入目標(biāo)表面破壞度和邊緣破壞度表征混隱色特征。在特征融合階段，充分考慮背景自身特性對注意力的影響，利用背景復(fù)雜度引導(dǎo)特征融合權(quán)重自適應(yīng)調(diào)節(jié)，實(shí)現(xiàn)不同變化場景下目標(biāo)偽裝效能有效評估。

圖1 偽裝效能評估整體流程圖Fig.1 Flow chart of Camouflage effectiveness evaluation

1.1 特征登記

1.1.1 混隱色特征

特征登記階段主要模擬視覺系統(tǒng)對場景信息的匯集。當(dāng)場景較為混亂時(shí)，顏色、結(jié)構(gòu)、紋理等特征信息紛亂復(fù)雜，視覺系統(tǒng)被大量此類特征擾亂而無法找到重點(diǎn)，與之相對，代表目標(biāo)整體性和連貫度的混隱色特征更易被察覺。

1） 表面破壞度

在視覺系統(tǒng)中，當(dāng)觀察者對搜索目標(biāo)的結(jié)構(gòu)和形狀較為熟悉時(shí)（如人體、車輛等），目標(biāo)表面的完整程度成為檢測識(shí)別的關(guān)鍵信息。隨著觀測角度和目標(biāo)姿態(tài)的相對變化，目標(biāo)表面在圖像中往往呈現(xiàn)出不規(guī)則變化，其表面完整性無法通過常規(guī)手段度量，而分形理論在描述不規(guī)則圖形時(shí)具有獨(dú)特優(yōu)勢。

本文提出一種基于多重分形譜理論的目標(biāo)表面破壞程度（Surface Disruption）表征模型，其原理示意如圖2所示。根據(jù)混隱色作用機(jī)制，將暴露狀態(tài)下無內(nèi)部虛假邊緣的表面平滑完整目標(biāo)作為參考標(biāo)準(zhǔn)（后文簡稱平滑目標(biāo)，可通過實(shí)際目標(biāo)掩模獲?。瑐窝b目標(biāo)與平滑目標(biāo)內(nèi)部虛假邊緣的差異程度越大，目標(biāo)自身表面破壞程度越高，偽裝效果越好。模型具體表達(dá)式為

圖2 表面破壞度表征模型原理示意圖Fig.2 Schematic diagram of surface disruption characterization model

式中，S為表面破壞程度；corr表示偽裝目標(biāo)與平滑目標(biāo)表面虛假邊緣的接近程度，可利用二者內(nèi)部邊緣多重分形譜ftar(α)和fmask(α)間的皮爾遜相關(guān)系數(shù)估計(jì)；α為分形函數(shù)的奇異性指數(shù)。在計(jì)算ftar(α)和fmask(α)時(shí)，以二值化掩模目標(biāo)表示參考平滑目標(biāo)，對包含偽裝目標(biāo)和平滑目標(biāo)的局部圖像進(jìn)行Sobel算子邊緣分布檢測，凸顯偽裝手段導(dǎo)致的破壞性邊緣。

多重分形譜f(α)可以根據(jù)勒讓德變換和直接計(jì)算法進(jìn)行確定［16］

式中，多重分形譜f(α)和奇異指數(shù)α是q的隱函數(shù)，對每個(gè)給定的q值，通過擬合斜率計(jì)算f(α)和α，在實(shí)際計(jì)算中q的取值范圍通常為(?1，1)；μi(q，ε)為概率Pi(ε)的q階矩歸一化測度；將圖像視為三維空間中的曲面，利用大小為ε×ε×ε的正方體盒子進(jìn)行分割，ε=2，4，8，…，最大值受限于曲面大?。籔i(ε)為第i個(gè)盒子中的灰度之和ni(ε)與圖像總灰度的比值，即質(zhì)量概率，i=1，2，3，…，1/ε2。

2） 邊緣破壞度

邊緣的連貫程度和表面的完整程度相輔相成，共同決定了目標(biāo)的完整性。本文依據(jù)TROSCIANKO J等提出的GabRat算法計(jì)算邊緣破壞度［9］，其值越大，目標(biāo)虛假邊緣的連貫性越好，目標(biāo)偽裝效果越好。計(jì)算方法為以一定角度將Gabor濾波器應(yīng)用于目標(biāo)邊緣的每個(gè)像素上，角度與目標(biāo)輪廓平行的濾波器得到的值為|Ep|，相當(dāng)于連貫邊緣的連續(xù)程度，而垂直方向?yàn)V波器得到的|Eo|，相當(dāng)于虛假邊緣的連續(xù)程度。然后，在整個(gè)身體輪廓上計(jì)算二者比率的平均值，得出最終結(jié)果G，具體公式為

1.1.2 背景匹配特征

在場景規(guī)則較少、色彩較為均勻的環(huán)境中，顏色、紋理和結(jié)構(gòu)信息決定了目標(biāo)能否與背景融為一體，是最易被視覺系統(tǒng)匯集的信息。這類特征統(tǒng)稱為背景匹配特征，在經(jīng)典偽裝評估方法中已得到廣泛應(yīng)用。

1） 顏色相似度

S-CIELAB顏色空間同時(shí)考慮了人類視覺系統(tǒng)的空間和顏色感知，對顏色相似性分析比其它顏色空間更加準(zhǔn)確，本文根據(jù)BAI X等提出的圖像顏色相似性指數(shù)（Image Color Similarity Index， ICSI）算法計(jì)算顏色相似度［17］。在S-CIELAB空間中，偽裝目標(biāo)tar與背景圖像bac的ICS計(jì)算方式如下，(u，v)代表像素位置，背景區(qū)域定義為兩倍的目標(biāo)區(qū)域。

式中，L?代表亮度；a?代表從綠色到紅色的分量，即正數(shù)代表紅色，負(fù)數(shù)代表綠色；b?代表從藍(lán)色到黃色的分量，即正數(shù)代表黃色，負(fù)數(shù)代表藍(lán)色。最后計(jì)算I(u，v)的標(biāo)準(zhǔn)差，作為偽裝圖像和背景圖像之間的顏色相似性指數(shù)。

2） 紋理相似度

本文根據(jù)XUE W等提出的梯度幅相似性偏差（Gradient Magnitude Similarity Deviation， GMSD）算法進(jìn)行紋理相似度分析［18］。首先，利用Sobel算子在水平和垂直方向上獲得偽裝圖像和背景圖像的紋理信息Star(u，v)和Sbac(u，v)

式中，Itar和Itar分別為偽裝圖像和背景圖像；sh和sv為不同方向的Sobel算子。

然后計(jì)算偽裝目標(biāo)tar與背景圖像bac的梯度幅值相似性（GMS）為

最后計(jì)算GMS的標(biāo)準(zhǔn)差，作為偽裝圖像和背景圖像之間的紋理相似性指數(shù)。

3） 結(jié)構(gòu)相似度

SSIM（Structural Similarity）是目前最為公認(rèn)的圖像結(jié)構(gòu)相似度度量指標(biāo)。

式中，μtar、μbac分別為目標(biāo)和背景灰度圖像的均值，σtar、σbac分別為目標(biāo)和背景灰度圖像的標(biāo)準(zhǔn)差，σtb則是協(xié)方差。

1.2 特征融合

特征融合階段視覺系統(tǒng)將獲取的多維特征進(jìn)行有效關(guān)聯(lián)，形成對目標(biāo)的深層認(rèn)知。特征融合時(shí)受到場景整體復(fù)雜度和過去知識(shí)經(jīng)驗(yàn)的共同作用。當(dāng)場景較復(fù)雜時(shí)，混隱色特征占據(jù)主導(dǎo)地位，場景較簡單時(shí)則背景匹配特征更加顯著。因此，可建立模型利用背景復(fù)雜度引導(dǎo)混隱色特征和背景匹配特征的類間融合

式中，Ri為第i幅圖像最終偽裝評估結(jié)果，取值范圍為(0，1)，其值越接近1則偽裝效能越高；Bi為背景匹配特征；Di為混隱色特征；Ni為線性融合權(quán)重，其值正比于背景復(fù)雜度，即背景越復(fù)雜，混隱色特征權(quán)重越大。

背景匹配特征Bi由顏色、紋理、結(jié)構(gòu)三種特征融合，混隱色特征Di則是邊緣、表面破壞度特征融合。由于特征的變化程度代表的物理意義各不相同，為了充分利用特征數(shù)據(jù)，本文采用熵權(quán)法進(jìn)行特征之間的初步融合［19］

式（12）中線性系數(shù)Ni取決于背景復(fù)雜度，采用邏輯斯蒂方程建立背景復(fù)雜度與混隱色特征和背景匹配特征的關(guān)聯(lián)聯(lián)系。邏輯斯蒂方程具有以下特點(diǎn)：1）單調(diào)增加趨勢，符合在復(fù)雜度變化的情況下，人眼對偽裝策略特征的敏感性逐漸變化的趨勢；2）曲線具有的潛伏期，增長期和穩(wěn)定期，有利于根據(jù)圖像復(fù)雜度區(qū)間調(diào)節(jié)曲線變化趨勢，自適應(yīng)給予權(quán)重。具體表達(dá)式為

在本文模型中，t為對應(yīng)圖像的特征擁塞指數(shù)［20］，用于度量場景的復(fù)雜度，場景越復(fù)雜特征擁塞指數(shù)越高。N0、K和r為常數(shù)，共同決定了曲線形狀，具體大小需考慮數(shù)據(jù)集復(fù)雜度分布和模型需求。實(shí)驗(yàn)和經(jīng)驗(yàn)表明，N0=5，K=375，r=1條件下，可以較好模擬人眼對混隱色特征和背景匹配特征的感知特性。

2 數(shù)據(jù)集

為了驗(yàn)證評估模型在不同偽裝目標(biāo)和不同復(fù)雜度背景下的有效性，選擇兩類實(shí)驗(yàn)數(shù)據(jù)集，一類為場景復(fù)雜程度相對較低的公開數(shù)據(jù)集Search_2，另一類為場景較為復(fù)雜的自建數(shù)據(jù)集CamData。如圖3所示，Search_2數(shù)據(jù)集的特征擁塞指數(shù)在2附近，區(qū)間寬度為0.372，區(qū)間較??；而CamData數(shù)據(jù)集圖像受到光影、樹木大小和數(shù)量、低矮植物等因素影響，特征擁塞指數(shù)最小值為4.325 2，最大值為8.344，區(qū)間大小為4.019。兩個(gè)數(shù)據(jù)集的復(fù)雜度分布截然不同，滿足評估模型測試需求。

圖3 數(shù)據(jù)集圖像復(fù)雜度分布圖Fig.3 Image complexity distribution of the dataset

2.1 Search_2數(shù)據(jù)集

Search_2數(shù)據(jù)集是由TNO人類因素研究所提供的公開數(shù)據(jù)集［21］，廣泛應(yīng)用于目標(biāo)搜索探測性能研究和偽裝效果評估領(lǐng)域［22-23］。數(shù)據(jù)集包含44幅不同場景的數(shù)字彩色圖像，每幅圖像含1～2個(gè)目標(biāo)。主觀評估結(jié)果由64名專業(yè)觀察者給出，他們對每幅圖像進(jìn)行觀測并搜索目標(biāo)。本文實(shí)驗(yàn)中，去掉了目標(biāo)過小等問題圖像5幅，最終有效數(shù)據(jù)為39幅圖像［22］，見圖4。

圖4 Search_2數(shù)據(jù)集第30幅圖像Fig.4 The 30th image of the Search_2 dataset

2.2 CamData數(shù)據(jù)集

目前包含偽裝目標(biāo)和專業(yè)主觀評估結(jié)果的公開數(shù)據(jù)集極少，為了驗(yàn)證本文提出的算法在不同復(fù)雜背景下的有效性，本文建立了數(shù)據(jù)集CamData。數(shù)據(jù)集來源為網(wǎng)絡(luò)上搜集到的16個(gè)視頻，拍攝地點(diǎn)位于美國北德克薩斯森林，視頻記錄了身穿軍事迷彩服裝的人員在森林中隱藏的畫面，見圖5。將視頻逐幀提取為多幅圖像，選擇其中部分圖像構(gòu)建數(shù)據(jù)集。選擇標(biāo)準(zhǔn)為①背景顏色眾多，紋理復(fù)雜；②偽裝人員在叢林中有意隱藏，具備較大的搜索難度。視頻地址為https：//www.youtube.com/user/Brent0331。

圖5 CamData數(shù)據(jù)集第42幅圖像Fig.5 The 42th image of the CamData dataset

數(shù)據(jù)集圖像共39幅圖像，每幅圖像均包含1個(gè)偽裝目標(biāo)，偽裝目標(biāo)身穿四種軍事迷彩：德國迷彩Concamo，為美國陸軍狙擊手設(shè)計(jì)的DEPSOC，德國迷彩PHANTOMLEAF WASP以及中國07迷彩。數(shù)據(jù)集中目標(biāo)的暴露面積不同，但均存在頭盔、非天然圖案等足夠的特征供受試者發(fā)現(xiàn)并確認(rèn)目標(biāo)。

為了獲取專業(yè)可信的偽裝目標(biāo)主觀評估結(jié)果，以文獻(xiàn)［17，21］為基礎(chǔ)組織15名專業(yè)觀測者參與主觀評估實(shí)驗(yàn)，要求參與者色覺正常（通過石原氏色盲檢測），裸眼或矯正視力1.2以上，年齡在20至30歲之間，熟悉實(shí)驗(yàn)的基本步驟，避免誤判。參與者坐在液晶顯示器前，調(diào)整屏幕確保水平視角。眼睛和屏幕之間的距離被設(shè)置為45 cm。圖像顯示在屏幕上，圖像的分辨率為1 920×1 080（與屏幕分辨率相同），屏幕長38.7 cm，寬25.9 cm。

在開始實(shí)際的搜索實(shí)驗(yàn)之前，首先向受試者展示偽裝人員的四個(gè)特寫鏡頭。展示偽裝人員的特寫只是為了讓受試者熟悉搜索目標(biāo)，提醒受試者目標(biāo)是人造物體，與自然物體（巖石、灌木叢）形成鮮明對比。之后進(jìn)行5次搜索實(shí)驗(yàn)的試運(yùn)行，使受試者熟悉視覺搜索過程。搜索實(shí)驗(yàn)從呈現(xiàn)一個(gè)新場景圖像開始，受試者的任務(wù)是在圖像中搜索偽裝人員，并在檢測到目標(biāo)時(shí)立即按下鼠標(biāo)左鍵。計(jì)算機(jī)記錄從圖像顯示開始到受試者發(fā)出檢測到目標(biāo)信號(hào)的時(shí)間間隔，記為搜索時(shí)間。在受試者做出響應(yīng)后，為了檢查響應(yīng)的正確性，受試者被要求點(diǎn)擊的位置位于目標(biāo)內(nèi)部。如果指示的位置位于目標(biāo)內(nèi)部或者與目標(biāo)邊界相差極小，則認(rèn)為檢測是正確的。同時(shí)，若受試者認(rèn)為本場景中不包含目標(biāo)，則按下鼠標(biāo)右鍵，表示無法尋找到目標(biāo)。

正式的搜索實(shí)驗(yàn)在試運(yùn)行后開始。受試者可以自由選擇搜索方式，不被要求以特定的順序搜索圖像或在特定位置開始。在實(shí)驗(yàn)過程中每5幅圖像均有一個(gè)休息時(shí)間，以減少視覺疲勞的可能性。

3 結(jié)果和討論

衡量偽裝評估模型優(yōu)劣時(shí)，通常采用主客觀一致性指標(biāo)，即比較評估模型與專家評估結(jié)果之間的相關(guān)程度，相關(guān)程度越高模型性能越好［22，24-25］。本文選擇均方根誤差（Root Mean Square Error， RMSE）、皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient， PLCC）和斯皮爾曼秩相關(guān)系數(shù)（Spearman＇s Rank Correlation Coefficient， SRCC）作為評價(jià)指標(biāo)，RMSE越小，PLCC和SRCC值越接近1，模型性能越好。

由于模型評估值與專家評估結(jié)果間物理含義和尺度不同，相關(guān)性難以直接表征，因此需要利用函數(shù)模型進(jìn)行估計(jì)轉(zhuǎn)換。探測概率估計(jì)模型采用靜態(tài)目標(biāo)探測性能模型［26］

式中，Ppred表示探測概率估計(jì)值；X表示模型評估值；X50表示探測概率為50%時(shí)的模型評估值，指數(shù)E和X50通過最小二乘法確定。搜索時(shí)間估計(jì)模型采用多項(xiàng)式擬合模型［22］

式中，MPred表示搜索時(shí)間估計(jì)，參數(shù)a，b，c通過最小二乘法擬合確定。

為驗(yàn)證本文偽裝評估模型性能，選擇三種目前認(rèn)可度較高、性能領(lǐng)先的評估方法作為比較對象，分別是基于感知色差和梯度的偽裝效能評估方法（Camouflage Effectiveness Based on Perceived Color Difference and Gradient Magnitude， PCDGM）［17］、計(jì)算目標(biāo)和背景相似性的通用圖像質(zhì)量指標(biāo)（UIQI）以及基于Gabor濾波器的邊緣破壞度（GabRat）方法。

表1和表2為各算法在Search_2數(shù)據(jù)集上的主客觀一致性比較結(jié)果，其中每個(gè)性能指標(biāo)排名前三的值已加粗，Ours（Back）和Ours（Dis）分別表示使用本文模型時(shí)只考慮背景匹配特征和只考慮混隱色特征，用于消融實(shí)驗(yàn)。

表1 Search_2數(shù)據(jù)集各方法探測概率主客觀一致性比較結(jié)果Table 1 Comparison results of subjective and objective consistency of detection probability of different methods in Search_2 dataset

表2 Search_2數(shù)據(jù)各方法集搜索時(shí)間主客觀一致性比較結(jié)果Table 2 Comparison results of subjective and objective consistency of search time of different methods in Search_2 dataset

與其它方法相比，本文模型Ours（Back+Dis）的PLCC、SCC和RMSE均為最優(yōu)值，具有最高的主客觀一致性，圖6為評估值與主觀結(jié)果對應(yīng)的擬合曲線。以背景匹配特征為核心的PCDGM和UIQI也均取得了較好的結(jié)果，而以混隱色特征為核心的GabRat結(jié)果較差。消融實(shí)驗(yàn)結(jié)果表明，Ours（Back）和Ours（Back+Dis）性能相近，而Ours（Dis）結(jié)果較差，說明在復(fù)雜度較低的Search_2數(shù)據(jù)集上背景匹配特征起主導(dǎo)作用，混隱色特征權(quán)重較低。

表3和表4為各算法在CamData數(shù)據(jù)集上的主客觀一致性比較結(jié)果，其中每個(gè)性能指標(biāo)排名前三的值已加粗。

表3 CamData數(shù)據(jù)集各方法探測概率主客觀一致性比較結(jié)果Table 3 Comparison results of subjective and objective consistency of detection probability of different methods in CamData dataset

表4 CamData數(shù)據(jù)集各方法搜索時(shí)間主客觀一致性比較結(jié)果Table 4 Comparison results of subjective and objective consistency of search time of different methods in CamData dataset

CamData數(shù)據(jù)集場景復(fù)雜度較高且變化區(qū)間較大，此時(shí)背景匹配特征對人眼的刺激性降低，Ours（Back）、PCDGM和UIQI均無法對偽裝效果進(jìn)行有效評價(jià)。另一方面，混隱色特征作用開始顯現(xiàn)，本文模型Ours（Back+Dis）結(jié)果最優(yōu)，Ours（Dis）性能與其接近。而GabRat雖然也考慮了混隱色特征，但只考慮了目標(biāo)邊緣的連貫性，未考慮目標(biāo)表面的完整性，只能在一定程度上評估偽裝效果。

在CamData數(shù)據(jù)集上，本文模型法得到的評估值與主觀結(jié)果對應(yīng)的擬合曲線如圖7所示，表明本文模型的預(yù)測曲線與主觀數(shù)據(jù)仍然具有較好地一致性；相比圖6，本數(shù)據(jù)集中的實(shí)驗(yàn)結(jié)果更多地分布在預(yù)測曲線上下兩側(cè)，偏離點(diǎn)數(shù)量更多，主要原因是CamData數(shù)據(jù)集的主觀結(jié)果分布均勻，范圍更廣。

圖6 Search_2數(shù)據(jù)集本文方法與主觀結(jié)果擬合曲線Fig.6 Fitting curves of our method and subjective results in Search_2 dataset

圖7 CamData數(shù)據(jù)集本文方法與主觀結(jié)果擬合曲線Fig.7 Fitting curves of our method and subjective results in CamData dataset

為了進(jìn)一步驗(yàn)證本文算法的合理性和有效性，選取數(shù)據(jù)集中4幅典型圖像，如圖8所示，對其評估結(jié)果進(jìn)行分析。

圖8 數(shù)據(jù)集典型圖像Fig.8 The typical images of the dataset

評估數(shù)據(jù)見表5，其中評估結(jié)果和探測概率已加粗。

表5 典型圖像評估結(jié)果Table 5 Typical image evaluation results

表5為本文算法計(jì)算得到的各個(gè)特征值和主觀實(shí)驗(yàn)得到的探測概率，從左至右分別為：邊緣破壞度、表面破壞度、紋理相似度、結(jié)構(gòu)相似度、顏色相似度、權(quán)重N、評估結(jié)果和探測概率。由表5可知，本方法對上述4個(gè)目標(biāo)的偽裝評價(jià)結(jié)果由優(yōu)至劣為：Fig.8（a）> Fig.8（c）> Fig.8（e）> Fig.8（g）；而探測概率的順序從低到高依次為：Fig.8（a）< Fig.8（c）< Fig.8（e）< Fig.8（g）。即偽裝效果越好，探測概率越低，符合主觀實(shí)驗(yàn)結(jié)果。

偽裝效果最好的Fig.8（a）中，偽裝目標(biāo)潛伏在低矮植物背后，目標(biāo)姿勢符合植物生長方向，極具迷惑性。計(jì)算結(jié)果中邊緣破壞度和表面破壞度為4幅圖像中的最大值，表明偽裝手段導(dǎo)致目標(biāo)邊緣和表面的完整性被破壞，因此難以被視覺系統(tǒng)察覺。而紋理、顏色、結(jié)構(gòu)三個(gè)相似度與主觀實(shí)驗(yàn)結(jié)果存在偏差，正如前文分析，在圖像整體較為復(fù)雜的情況下，依靠目標(biāo)在圖像中的紋理、顏色等特征的相似度難以穩(wěn)定評估偽裝效果。權(quán)重N最大，表明模型中邊緣破壞度和表面破壞度對評估結(jié)果的影響最大，符合模型建立的初衷。

Fig.8（c）中，偽裝目標(biāo)露出上半身趴倒在坡上手持槍械瞄準(zhǔn)，目標(biāo)頭部和手臂比較突出，表面相對完整。表5中數(shù)據(jù)顯示，F(xiàn)ig.8（c）中偽裝目標(biāo)具有較高的邊緣破壞度和表面破壞度，表明偽裝手段較好地破壞了目標(biāo)表面和邊緣的完整性，使目標(biāo)不易被發(fā)現(xiàn)。Fig.8（e）中，目標(biāo)在曠野上行駛，依靠迷彩圖案融入局部環(huán)境。數(shù)據(jù)顯示，此目標(biāo)紋理、結(jié)構(gòu)和顏色相似度較高，而邊緣破壞度和表面破壞度較低，與圖像表現(xiàn)出的特征相符，具有一定的偽裝效果。而Fig.8（g）則是目標(biāo)基本不能融入環(huán)境，特征明顯，偽裝效果最差。

實(shí)際應(yīng)用中，不同標(biāo)注人員對同一目標(biāo)的掩模標(biāo)注存在一定誤差，本文通過對比實(shí)驗(yàn)分析了掩模誤差對評估結(jié)果的影響。如表6所示，表中第一列為精確標(biāo)注的真值掩模和對比掩模，第二列為掩模中目標(biāo)所占像素?cái)?shù)量，第三列為偽裝效能評估結(jié)果，第四列為掩模精度導(dǎo)致的評估誤差。結(jié)果表明，掩模誤差對評估結(jié)果的影響很小，相對誤差在3.5%以下。究其原因是本文模型主要基于目標(biāo)與背景的特征級(jí)差異而非像素級(jí)，對掩模標(biāo)注誤差有較強(qiáng)的容忍度。

表6 掩模誤差影響對比實(shí)驗(yàn)結(jié)果Table 6 Results of mask error comparison experiments

兩個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，本文模型利用場景復(fù)雜度引導(dǎo)背景匹配特征與混隱色特征進(jìn)行自適應(yīng)融合，與視覺搜索機(jī)制符合性更優(yōu)，能夠?qū)δ繕?biāo)偽裝狀態(tài)和背景環(huán)境的變化給予準(zhǔn)確的反映，適用于不同場景下目標(biāo)的高可靠性偽裝效能評估。

4 結(jié)論

本文從視覺搜索機(jī)制與目標(biāo)偽裝策略的對抗角度出發(fā)，綜合混隱色和背景匹配特征，建立了混隱色特征背景引導(dǎo)融合的偽裝評估模型，克服了傳統(tǒng)模型在復(fù)雜環(huán)境下可靠性較低的缺點(diǎn)，實(shí)現(xiàn)了不同復(fù)雜環(huán)境下目標(biāo)偽裝效果的綜合性評估。理論分析和實(shí)驗(yàn)證明，本文方法在兩個(gè)不同復(fù)雜程度場景中具有較好的主客觀一致性，并且可操作性和穩(wěn)定性高，具有一定的應(yīng)用推廣價(jià)值。