視覺傳達多艦船圖像復雜特征分析范文

本站小編為你精心準備了視覺傳達多艦船圖像復雜特征分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

基于視覺傳達的艦船圖像特征監控方法相對較多，從中找到一種最為有效的方法顯得尤為必要。艦船圖像監控過程中，在最底層會存在大量具有復雜特點的視覺特征，而通過相應的技術可以對底層視覺特征中的圖像進行多個特征標注，由此使得特征提取變得更加容易[1–3]。本文就視覺傳達下多艦船圖像復雜特征監控方法展開研究。

1艦船圖像復雜特征監控關鍵技術

1.1特征標注技術

在對特征標注技術進行設計時，除了需要對多特征進行采集之外，還應當對多特征進行標注。其中，對特征進行采集，實質上就是對圖像進行預處理，通過對圖像當中具有單一性的特征進行識別，從而獲得包含多特征圖像在內的數據集合。同時可依托視覺特征，與更高等級的語義建立聯系，以關鍵詞記錄的方式，對圖像中的多特征進行標記，未采集的圖像，則可進行反標記，防止出現特征集成[4–5]。在對多特征進行標注時，可以利用視覺特征對圖像中采集到的多個語義關鍵詞進行標記，經過標記之后，圖像底層視覺特征將會出現一定程度的變化。此時，自動標注系統會對視覺特征進行集中審核，從而找出與圖像底層視覺特征之間存在的不同之處，以標記的方法對視覺特征進行修訂，完成對圖像二次特征的標注，二次特征圖如圖1所示。

1.2圖像特征序列

在艦船圖像復雜特征監控過程中，通過對圖像特征序列的選定，可以避免圖像集成陰影的產生。對于艦船而言，其視頻監控系統獲取到的水域場景具有相對較高的復雜性，部分背景甚至雜亂無章，若是這樣的圖像背景出現特征變化，將會對特征表達的相關細節造成影響，比如紋理、顏色等。所以對圖像特征序列進行選定就顯得尤為重要。正因如此，使得圖像特征序列成為艦船圖像復雜特征監控中的關鍵技術之一。在對特征序列進行選定的過程中，應當先對特征進行跟蹤，通過跟蹤能夠得到相應的結果，以此作為依據，可以對固定背景進行特征忽略，并對其中發生突變的特征按照時間進行排列，在突變特征疊加的作用下，會形成圖像陰影。在此需要指出的一點是，背景圖像特征會隨時間而發生變化，突變特征中所攜帶的屬相，會以圖像數據庫為依托，生成一個定式序列。按照艦船視頻監控系統本身所具備的拍攝能力，可將圖像的映射基底用虛擬背景替代，如果無插入序列，那么圖像的特征序列為定式序列。圖像特征序列圖如圖2所示。

2視覺傳達多艦船圖像復雜特征監控方法

2.1復雜特征監控原理

基于視覺傳達的多艦船圖像復雜特征監控，實質上就是對圖像特征進行實時跟蹤，其具體原理如下：通過數學建模，使艦船圖像進行歸一化處理，并進行編碼，對經過歸一化處理的艦船圖像特征進行提取，利用投影矩陣，將圖像的高維特征直接投影到低維空間當中，最后運用粒子濾波的方法，對多艦船圖像復雜特征進行跟蹤監控。可將整個跟蹤過程描述為以下情況：引入稀疏表達理論及方法，從多艦船圖像中對有效的目標特征進行隨機選取，圖像特征的選取可以通過下式來完成：

2.2復雜特征提取

為對多艦船圖像中的復雜特征進行監控，需要對其顯著性的特征進行提取，具體做法如下：采用小波變換的方法，分解多艦船圖像中的特征，包括灰度特征、細節特征等。然后借助灰度投影的方法，從艦船圖像目標當中，完成特征提取，依據提取到的特征，構建其特征圖。這樣一來，可以將原本的特征跟蹤監控問題，轉化為圖像目標背景分類問題，進一步簡化了問題的解決過程。選取特征分布方差的比值函數作為背景區域的分離系數，并做出如下假設：用fk(x,y)代表多艦船灰度圖像，通過相應的算法對灰度圖像進行小波分解，利用分解后的灰度圖像建立灰度金字塔，并以圖像的高頻分量代表金字塔的尺度，從而構成圖像的灰度與細節特征。基于視覺傳達的多艦船圖像中，在一個特定的區域范圍內，由于某個圖像的特征清晰度與局部對比度有關，可采用卷積算法，使圖像特征的對比效果得到進一步增強。在尺度大小完全相同的多艦船圖像目標區域內，通過逐點相減的方法，能夠獲得圖像灰度與細節特征的顯著性特征圖。

2.3實時跟蹤

在基于視覺傳達的多艦船圖像復雜特征監控中，為對監控過程進行簡化，可將原本復雜的圖像特征跟蹤問題轉換為簡單的背景分類問題。經過轉化后的背景分類問題，可以通過粒子群算法求取最優解，獲得圖像特征分量的權重。假設在種群當中有N個粒子，在相同的維度空間內進行搜索，能夠獲得與各個粒子相應的解。經過迭代，最終可以求出最優解。

2.4實驗驗證

為對本文提出的監控方法的可行性和有效性進行驗證，采取仿真實驗的方法，在計算機中構建仿真環境。在仿真環境的建立過程中，可以采用等間隔的方法，對多艦船圖像特征進行隨機選取。為驗證本文提出的方法是否可行，在相應的數據集上，對本文提出的方法（方法1）、基于多模板回歸加權均值漂移的目標跟蹤（方法2）以及基于深度學習特征的圖像動態檢測（方法3），分別進行特征精度測試。其中利用方法2得到的圖像特征結果中錯誤特征數量的占比較大，方法3提取到的圖像特征數量相對較少。方法1提取到的圖像目標特征精度較高，這是因為本文的方法以特征圖的構建為基礎，從而使鄰近圖像特征的匹配精度大幅度提升，錯誤匹配顯著減少。由圖3中可以看出，在t2時刻，3種方法的跟蹤監控的成功率基本一致，而隨著時間的推移，方法1的成功率能夠始終保持最高。這是因為方法1對特征跟蹤監控問題進行轉化，使其變為背景分類問題，然后通過粒子群算法對最優解進行求取，使結果的準確性和成功率得到保障。從圖4可以看出，方法1在圖像特征跟蹤監控時間效率上優于方法2和方法3。由此可見，本文提出的方法，具有良好的使用價值，可以在多艦船圖像復雜目標監控中進行應用。

3結語

在視覺傳達下，多艦船圖像復雜特征監控需要選擇合理可行的方法。從目前的情況來看，可用的方法較多，效果好的方法較少。為從監控方法中選取最優，應當了解多艦船圖像復雜特征監控的方法種類，并以對比的方式，從各種方法中選取出效果最佳的一種。

作者：呂文靜 單位：河南省智慧教育與智能技術應用工程技術研究中心